YOLOX：2021年发表在CPVR上的一篇文章。文章强调Anchor-Free，decoupled detection head(解耦检测头)，advanced label assigning strategy(SimOTA)即更加先进的正负样本匹配策略；并且是1st Streaming Perception Challenge（该比赛第一名）。
目录
0前言
1YOLOX网络结构
2 Anchor-Free
3损失计算
4正负样本匹配SimOTA
0前言：
YOLOX 是一种目标检测算法，它是 YOLO（You Only Look Once）系列算法的一个变种。YOLO 系列算法以其速度快和易于实现而闻名，被广泛用于实时目标检测任务。YOLOX 是由美团公司提出的一种改进版本，它在 YOLO 算法的基础上进行了优化和改进，以提高检测的准确性和速度。
YOLOX 的一些关键特点包括：
-
Anchor-free: YOLOX 采用了无锚点（anchor-free）的设计，这意味着它不需要预先定义的锚点框来预测目标的尺寸，这有助于提高模型的泛化能力。
-
SimOTA: YOLOX 引入了一种新的匹配策略，称为 SimOTA（Simulated Online Top-k Assignment），它在训练过程中动态地为每个目标分配最优的预测框，而不是使用传统的硬匹配或软匹配方法。
-
SimAP: 为了更好地评估模型性能，YOLOX 提出了 SimAP（Simulated Average Precision）作为新的性能指标，它模拟了在线测试时的匹配策略，以更准确地反映模型的实际性能。
-
解耦的头: YOLOX 采用了解耦的检测头设计，将类别预测和边界框预测分开处理，这有助于提高模型的检测精度。
-
数据增强: YOLOX 使用了多种数据增强技术，如 Mosaic 和 MixUp，以增强模型的鲁棒性。
-
多尺度训练: YOLOX 支持多尺度训练，这意味着模型可以在不同尺寸的输入图像上进行训练，以提高对不同尺寸目标的检测能力。
YOLOX 由于其出色的性能和速度，在目标检测领域受到了广泛关注。它适用于需要快速且准确检测的场景，如视频监控、自动驾驶等。
YOLOX与YOLO v5对比有提升；
下面是其他指标的比较：
YOLOX YOLO v5选择：
高分辨率的话选择v5，其他均可尝试。
1 YOLOX网络结构
与YOLO v5中差别就在于右侧Head部分的差别。之前学的6.1。
- focus替换为6*6的卷积层。
- 堆叠次数不太一样；
- SPPF
解耦检测头：
该结构anchor-free，输出四个回归参数，（IOU）即为objectness
加速收敛，提升AP
参数不共享（三个预测特征层参数不一样，不共享）
anchor-free
红框直接为1，与之前YOLO版本比较，则与anchor无关；
3损失计算
4正负样本匹配SimOTA
还是基于v3,使用SimOTA AP增加；
eg:运输成本
分类越准，越小，目标边界回归框越准，回归损失也越低；
这样子优先选择框内的。
后面操作：
首先计算cost,IOU矩阵，取min,根据IOU选取anchor point;
计算ks,求和，根据最小cost原则，则下述选取的即为1；则有分配矩阵；
A5这种情况，anchor给GT2；解决歧异问题；
最终：
