YOLOX : Dépasser la série YOLO en 2021

Dans ce rapport, nous présentons plusieurs améliorations expérimentales apportées à la série YOLO, aboutissant à la création d’un nouveau détecteur haute performance : YOLOX. Nous transformons le détecteur YOLO en une approche sans ancres (anchor-free), tout en intégrant d'autres techniques avancées de détection, notamment une tête découplée et la stratégie de attribution des étiquettes la plus récente, SimOTA, permettant d’obtenir des résultats de pointe sur une large gamme de modèles. Pour YOLO-Nano, qui ne compte que 0,91 million de paramètres et 1,08 G FLOPs, nous atteignons un AP de 25,3 % sur COCO, dépassant NanoDet de 1,8 % AP. Pour YOLOv3, l’un des détecteurs les plus largement utilisés dans l’industrie, nous améliorons significativement ses performances à 47,3 % AP sur COCO, dépassant ainsi la meilleure pratique actuelle de 3,0 % AP. Enfin, pour YOLOX-L, dont le nombre de paramètres est comparable à celui de YOLOv4-CSP et YOLOv5-L, nous obtenons un AP de 50,0 % sur COCO à une vitesse de 68,9 FPS sur Tesla V100, dépassant YOLOv5-L de 1,8 % AP. Par ailleurs, nous avons remporté la première place au Streaming Perception Challenge (Workshop sur la conduite autonome, CVPR 2021) en utilisant uniquement un modèle YOLOX-L. Nous espérons que ce rapport fournira des retours d’expérience utiles aux développeurs et chercheurs dans des contextes pratiques, et nous mettons à disposition des versions déployables compatibles avec ONNX, TensorRT, NCNN et OpenVINO. Le code source est disponible à l’adresse suivante : https://github.com/Megvii-BaseDetection/YOLOX.