YOLOX

YOLOX 是一个无锚框（anchor-free）单阶段检测器，带一个分类与回归解耦的 head，用 SimOTA 标签分配训练。LibreYOLO 支持它做目标检测。

任务: detection
尺寸: n, t, s, m, l, x at 416 to 640 px
安装: pip install libreyolo
支持层级: 已支持，自 v 起。起支撑作用的可训练家族：在 CI 里保持绿色，功能视情况落地。
上游: YOLOX，由 Megvii 发布，采用 Apache-2.0 许可。论文、源码
许可: 代码采用 Apache-2.0，权重采用 Apache-2.0。商用

安装

YOLOX 在基础包之外不需要任何 extra。

bash

pip install libreyolo

预测

权重在首次使用时从 Hugging Face 下载，并缓存在本地。

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreYOLOXs.pt")result = model(SAMPLE_IMAGE, save=True) for box in result.boxes:    print(box.cls, box.conf, box.xyxy)

CLI

libreyolo predict model=LibreYOLOXs.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

返回的 Results 对象就是每个家族都会返回的那一个，所以换成另一个检测器只是改一行的事。conf 设置置信度阈值，iou 设置在三个解耦的预测尺度之间施加的 NMS 阈值。数据源、流式处理和结果处理见预测。

变体

六种尺寸共用同一个 CSP 骨干和 PAFPN neck。最小的两个 n 和 t 跑在比另外四个更小的固定输入分辨率上；下面的基准测试表格给出了每一个的确切数值。

检查点	输入（px）	mAP 50-95	参数量（M）
LibreYOLOXnano	416	28.8	0.91
LibreYOLOXtiny	416	35.1	5.06
LibreYOLOXl	640	53.9	54.21
LibreYOLOXm	640	50.9	25.33
LibreYOLOXs	640	43.0	8.97
LibreYOLOXx	640	56.3	99.07

COCO val2017, 500 images。数据由 LibreYOLO 基准测试工具测得，并发布在 Vision Analysis 上，可在此比较不同硬件和运行时的延迟，并查看完整的运行记录。

训练

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.train(data="my-dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01)

CLI

libreyolo train model=LibreYOLOXs.pt data=my-dataset.yaml \  epochs=300 imgsz=640 batch=16 lr0=0.01

保持默认时，训练器以 lr0=0.01 跑 300 轮，用 SGD 动量 0.9、5 轮预热，并在最后 15 轮关掉 mosaic 和 mixup 数据增强。train() 还接受一个 pretrained 参数，但方法内部从不读取这个值：训练总是从构造模型时所用的那份权重继续，所以 pretrained=False 并不会重新初始化网络。

imgsz 在基础训练配置文件里默认取一个固定值，而不是取加载的检查点（checkpoint）的原生分辨率。这尤其影响 n 和 t 这两个检查点：不显式设置 imgsz 就继续训练其中任何一个，都会把它抬到更大的那个默认值，而不是它发布时所用的更小的尺寸。

数据集、数据增强、多卡训练和日志记录器见训练。

验证

val() 返回一个由 metrics/ 键组成的字典，涵盖查准率、查全率、mAP 50 和 mAP 50-95，在任何采用你训练时所用格式的数据集上测量。

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/mAP50-95"])print(metrics["metrics/mAP50"])

CLI

libreyolo val model=LibreYOLOXs.pt data=my-dataset.yaml

在 COCO 上验证

# 自带的 coco.yaml 带着一个内嵌的下载脚本，所以除非数据集已经在# 本地，否则需要显式放行libreyolo val model=LibreYOLOXn.pt data=coco.yaml imgsz=416 \  allow_download_scripts=True

导出

任务	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Detection	Detection to ONNX：支持	Detection to TorchScript：支持	Detection to ExecuTorch：支持	Detection to TensorRT：支持	Detection to OpenVINO：支持	Detection to Paddle：不支持	Detection to MNN：不支持	Detection to RKNN：不支持	Detection to ncnn：支持	Detection to TFLite：支持	Detection to CoreML：支持	Detection to Core AI：支持

导出的产物按文件后缀经由 LibreYOLO() 重新加载，所以一个 .onnx 或 .engine 文件的表现和检查点一样，返回同样的 Results。在不装 LibreYOLO 的裸运行时里跑这张计算图也是支持的，但那样预处理和后处理就得你自己写。CoreML 导出可以用 nms=True 把 NMS 内嵌进计算图；YOLOX 和 YOLOv9 是目前这个参数唯一接受的两个家族。

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLOXs.pt")model.export(format="onnx", imgsz=640)model.export(format="tensorrt", imgsz=640, half=True)

CLI

libreyolo export model=LibreYOLOXs.pt format=onnx imgsz=640libreyolo export model=LibreYOLOXs.pt format=tensorrt imgsz=640 half=True

使用导出的文件

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 工厂按文件后缀分发，所以导出的产物加载方式和任何检查点一样，# 返回的也是同一个 Results 对象model = LibreYOLO("LibreYOLOXs.onnx")result = model(SAMPLE_IMAGE) print(result.boxes.xyxy)

检查点

这个家族已发布的全部权重文件。

文件	输入（px）	权重许可
Detection
LibreYOLOXn.pt	416	apache-2.0
LibreYOLOXt.pt	416	apache-2.0
LibreYOLOXs.pt	640	apache-2.0
LibreYOLOXm.pt	640	apache-2.0
LibreYOLOXl.pt	640	apache-2.0
LibreYOLOXx.pt	640	apache-2.0

上面的每个文件目前都在 LibreYOLO 组织中，并会在首次使用时下载。

许可证

请检查你所下载的具体权重在 Hugging Face 仓库中的许可。LibreYOLO 组织里的每个检查点都附有许可，同一家族内也不一定相同。该仓库是权威来源；以下摘要说明本页上次验证时适用的情况。

这里只说明涉及的许可证，不构成法律意见。如果答案对商用很重要，请自行阅读许可证并咨询法律顾问。

原始工作: YOLOX, Megvii
上游许可: Apache-2.0
上游来源: github.com/Megvii-BaseDetection/YOLOX
LibreYOLO 代码: MIT
权重: 采用 Apache-2.0 许可，重新发布在 huggingface.co/LibreYOLO
解读: Apache-2.0 is a permissive license, so these weights can be used in commercial and closed-source products. It asks you to keep its license text and attribution notices with any copy of the weights you redistribute, and it grants a patent license. It places no obligation on your own application code, and weights you train yourself on your own data are yours.

引用

@article{yolox2021,
  title={YOLOX: Exceeding YOLO Series in 2021},
  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},
  journal={arXiv preprint arXiv:2107.08430},
  year={2021}
}

复制自作者在 github.com/Megvii-BaseDetection/YOLOX#cite-yolox 上提供的引用块。