优点1：主干网络（CSPDarknet）加入Fcous结构

主干网络加入Fcous结构，将图片宽高信息缩小，减小参数量，提升网络计算速度

Fcous结构:将输入的图片先经过Fcos结构对图片进行每隔一个像素取出一个值，得到四个特征层，然后再进行concat。从而图片宽高的信息缩小，通道数增加。在原始信息丢失较少的情况下，减小了参数量（由于fcous替代了两层卷积与一层bottleneck）

图 1 Fcous示意

优点2：主干网络的激活函数替换为silu激活函数

silu函数相比于rule非线性能力更强，解决了rule当有负数输入输出为0，发生梯度弥散的缺点。同时继承了relu收敛更快的优点。

silu函数=x*sigmoid(x)，是relu与sigmoid的结合。可以看做是一个平滑的Relu，对比来看，silu解决了relu具有负数输入输出为0的缺点，不会发生梯度弥散的问题。

（上层神经元通过加权求和，得到输出值，然后被作用一个激活函数，得到下一层的输入值。引入激活函数的目的是为了增加神经网络的非线性拟合能力。）

(被fcous处理后的feature map会被用silu激活函数的，残差卷积层进行卷积，卷积后进入

CSPLayer。)

图 2 silu激活函数

优点3：主干网络沿用CSP结构

CSPLayer：内部的主要特征提取利用残差结构，但csplayer将feature map分为两部分，一部分进入残差块，与瓶颈结构，特征提取，另一部分与特征提取后的feature map进行concat操作从而进行信息融合。（需要注意从代码上，part1与part2是一样的输入）

图 3 CSPLayer结构与源码

优点4：主干倒数第二层为SPPbottleneck（空间金字塔池化）

这里的SPPneck主要通过不同大小的池化核，对图像进行池化，增大网络感受野，提取更多的特征。

图 4  空间金字塔池化公式

图 5 SPPneck（空间金字塔池化）

总而言之，主干网络卷积层的主要作用是特征提取与特征融合，相比于之前的YOLO版本，更换激活函数带来了一些非线性能力的提升。在主干网络中加入SPPneck增大了网络感受野。

优点5：特征利用层（FPN层）

在特征利用部分，YoloX提取多特征层进行目标检测，一共提取三个特征层。

三个特征层位于主干部分CSPdarknet的不同位置，分别位于中间层，中下层，底层，当输入为(640,640,3)的时候，三个特征层的shape分别为feat1=(80,80,256)、feat2=(40,40,512)、feat3=(20,20,1024)。

第一条的路径：主干卷积(20,20,1024)特征图上采样，与主干卷积(40,40,512)特征图进行concat和卷积下采样，融合信息与进一步特征提取得到merge_01。

第二条路径：merge_01通过1x1卷积降通道上采样与主干(80,80,256)concat和卷积下采样得到(80,80,256)大小的merge_02输出到YOLOHead_01（个人理解该层的特征偏向（80,80）的特征图）

第三条路径：merge02下采样与merge01进行concat与卷积下采样操作得到(40,40,512)的(40,40,512)大小的merge_03输出到YOLOHead_02（个人理解该层的特征偏向（40,40）的特征图）

第四条路径：merge_03下采样与主干卷积到(20,20,1024)的特征图进行concat与卷积下采样操作，得到(20,20,1024)的merge_04输出到YOLOHead_03（个人理解该层的特征偏向（20,20）的特征图）

总结：FPN层对3个维度的特征图进行了融合，但是每个输出都有一定的侧重，为了对不同尺度的目标有更好的检测效果。

优点6：YOLOHead(解耦头)

YOLOV3中最后的回归框与置信度在1*1的卷积中一起实现，而在YOLOX通过解耦头，分别将置信度与回归框分别实现，在预测时合为一体。

1. Reg(h,w,4)用于判断每一个特征点的回归参数，回归参数调整后可以获得预测框。
2. Obj(h,w,1)用于判断每一个特征点是否包含物体。
3. Cls(h,w,num_classes)用于判断每一个特征点所包含的物体种类。
4. 通道数即为需要预测的个数，每个通道代表一个结果。
5. 

将三个预测结果进行堆叠，每个特征层获得的结果为：

Out(h,w,4+1+num_classses)前四个参数用于判断每一个特征点的回归参数，回归参数调整后可以获得预测框；第五个参数用于判断每一个特征点是否包含物体；最后num_classes个参数用于判断每一个特征点所包含的物体种类。

将检测头解耦相对于YOLOV3检测头直接融合out输出而言，无疑会增加运算的复杂度，但是作者最终使用 1个1x1 的卷积先进行降维，并在分类和回归分支里各使用了 2个3x3 卷积，最终调整到仅仅增加一点点参数。解耦操作从逻辑上，对一个任务的精度而言有着绝对优势，缺点是在于增加运算的复杂程度。如何平衡性能与速度则是解耦方法是否优秀的关键。

优点7：网格点操作与解码操作

解码目标：由yolox中的decoupled_head输出后concat的形状为（（numcls+5）*8400）的网格点图。

经过concat与维度转换的网格点，每一行都是代表着一个预测框信息的（numcls、中心点与宽高、判断该预测点是否有物体的obj）的anchorpoint

解码主要解码中心点坐标，以及宽高（x,y,h,w）。

解码中心点坐标是通过torch.meshgrid生成网格数据为网格点的行列索引，将中心点的偏移量x，y加上索引号再乘上缩放倍数。即可解码还原到原图。具体操作为：outputs[..., :2] = (outputs[..., :2] + grids) * strides

解码宽高w，h则是通过output输出宽高部分直接乘以步长再求对数获得。具体操作为：

outputs[..., 2:4] = torch.exp(outputs[..., 2:4]) * strides

优点8：SimOTA（动态样本匹配）

SimOTA主要的作用是为每个正样本（网络输出预测框）分配一个GT框，让正样本去拟合该GT框。从而替代之前的anchor方案去拟合anchor，从而实现anchor free

一、通过中心先验（GT框）确定fixed center area的范围fixed center area中的anchorpoint即为初筛正样本。

1. 首先将3个维度特征图合成的网格点中的所有anchorpoint进行反算到原图（得到一堆框）。
2. 再将这些框的中心点与GT框相对原图的坐标。可以得到在GT框内的anchorpoint的序号。
3. 此时每个gt的中心点向外扩展2.5*expanded_strides距离得到fixed center area，与anchor进行比较，再找到在fixed center area内的anchorpoint即得到初筛的正样本。这里通过一个mask的方式将GT框内部的anchorpoint保留置为true其余为false。以方便下一步骤的计算。

二、将所mask内的anchorpoint都与对应的GT框进行cost代价矩阵计算。同时计算iou，获得dynamic_k（Cost代价矩阵由：cls_loss和rge_loss组成：cij​=Lijcls​+λLijreg+100000*~is_in_boxes_and_center。）

1. 首先取出每个GT框对应的前10个iou值，将这些iou值加在一起求和取整。则获得了该GT框的dynamic_k。这个值的作用是动态的为每个GT框分配多少个anchorpoint。在训练初期可能dynamic_k为1（由于训练初期iou较小）
2. 根据dynamic_k动态给GT框分配anchorpoint个数。取出前dynamic_k个cost值最低的anchorpoint进行下一步操作。另外在计算这些cost时不在中心区域(fixed center area)里的anchorpoint会被乘上一个十万的系数提高cost值。
3. 如果出现一个anchorpoint分配给了两个GT框，就会对该anchorpoint的两个GT框cost值进行比较，anchorpoint会被分配给cost更低的框。
4. 把去重后每个GT框取到的anchorpoint做对应的损失计算。

优点9：损失计算

1.Reg部分，利用真实框和预测框计算IOU损失，作为Reg部分的Loss组成。

2.Obj部分，所有真实框对应的特征点都是正样本，剩余的特征点均为负样本，根据正负样本和特征点的是否包含物体的预测结果计算交叉熵损失，作为Obj部分的Loss组成。

3.Cls部分，计算交叉熵损失，作为Cls部分的Loss组成。

4.损失公式如下：

其中Lcls代表分类损失；

Lreg代表定位损失；

Lobj代表obj损失；

λ代表定位损失的平衡系数源码中设置是5.0；

Npos代表被分为正样的Anchor Point数；

感谢对本文有所帮助的人们！！

睿智的目标检测53——Pytorch搭建YoloX目标检测平台_Bubbliiiing的博客-CSDN博客

YOLOX之函数dynamic_k_matching解析 - 知乎 dynamic_k_match源码解析

yolox Head-Decoupled head源码解读_Mr.Q的博客-CSDN博客_yolox的head部分 yolo_head.py源码解析