深入浅出Yolo系列之Yolox核心基础完整讲解( 三 ) 在Yolov4、Yolov5刚出来时

文章图片
而Yolox的基准模型，是最原始的Yolov3_spp版本，经过一系列的改进后， AP值达到38.5 。
在此基础上，又增加了Strongaugmentation、Decoupledhead、anchor-free、multipositives、SimOTA ，等5种trick ，最终达到了AP47.3 。
但存在疑惑的是？
如果直接采用YOLOv3_ultralytics的Yolov3_spp版本，再增加上面的4种trick（除掉strongaugmentation ，因为代码中已经改进了），是否会有更好的AP提升？
2.2.2Yolox-Darknet53
我们在前面知道，当得到Yolov3baseline后，作者又添加了一系列的trick ，最终改进为Yolox-Darknet53网络结构。

文章图片
上图即是Yolox-Darknet53网络结构图。
为了便于分析改进点，我们对Yolox-Darknet53网络结构进行拆分，变为四个板块：
输入端：Strongaugmentation数据增强
BackBone主干网络：主干网络没有什么变化，还是Darknet53 。
Neck：没有什么变化， Yolov3baseline的Neck层还是FPN结构。
Prediction：DecoupledHead、End-to-EndYOLO、Anchor-free、Multipositives 。
在经过一系列的改进后， Yolox-Darknet53最终达到AP47.3的效果。

文章图片
下面我们对于Yolox-Darknet53的输入端、Backbone、Neck、Prediction四个部分，进行详解的拆解。
2.2.2.1输入端
（1）Strongaugmentation

文章图片
在网络的输入端， Yolox主要采用了Mosaic、Mixup两种数据增强方法。
而采用了这两种数据增强，直接将Yolov3baseline ，提升了2.4个百分点。
Mosaic数据增强
Mosaic增强的方式，是U版YOLOv3引入的一种非常有效的增强策略。
而且在Yolov4、Yolov5算法中，也得到了广泛的应用。
通过随机缩放、随机裁剪、随机排布的方式进行拼接，对于小目标的检测效果提升，还是很不错的。