Anchor free系列检测器之YOLOX源码逐行讲解篇(四)--coco数据载入及分布式训练

刚哥吧

已于 2022-03-03 18:44:31 修改

阅读量8.7k

点赞数 10

CC 4.0 BY-SA版权

分类专栏：视觉检测图像分割干货文章标签： YOLOX 代码 Anchor free

于 2022-02-13 21:03:40 首次发布

本文链接：https://blog.csdn.net/qq_42308217/article/details/122913649

视觉检测图像分割干货专栏收录该内容

58 篇文章 ¥119.90 ¥299.90

订阅专栏

本文详细解析YOLOX模型中数据载入和预处理的代码，包括COCO数据集的解析和取样器的构建。强调了数据处理在模型训练中的重要性，并介绍了_get_data_loader方法、COCODataset类、_load_coco_annotations方法和pull_item方法的工作原理，以及如何根据is_distributed参数构建分布式训练的取样器。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

整个YOLOX源码的学习一定要按照以下顺序才能整体串起来：Backbone->FPN->Head->->数据读入源码->数据增强源码->loss计算源码->simOTA源码->demo.py脚本->train.py脚本。而该系列博文也遵循该顺序来逐行分析代码。注意是逐行，包括python语法，tensor维度和逐行代码的作用及应用。其实网络结构本没有任何神秘的地方，都是一些模块堆叠起来的，你完全可以没有任何理由的修改任何一个模块。看完这个系列后自己完全可以随便的去对任何网络结构做手脚，而不仅仅局限于一个调参者。

本篇讲的是YOLOX中数据加载及数据预处理部分。大家在学网络的时候总是侧重于模型结构的搭建，而忽略了数据的处理部分。这造成的后果就是对数据整体的变化没有一个准确的认知，直接就导致对最终loss计算含混不清。数据加载主要依靠两个东西：数据解析器：从本地加载标注文件和图像解析成网络需要的数据格式。取样器：每一个批次中完成随机取batchsize张图像的操作。

首先定位到yolox\exp\yolox_base.py的get_data_loader方法：

了解本专栏