女装大佬咩酱2021新作（隐瞒了大家这么久，其实我是一个女装大佬。希望能让大家认识一下另一个我！）！也是我以女装大佬身份的初投稿，大家点个喜欢和fork吧！我用飞桨深度学习框架复现了YOLOX算法并深度优化了其中的SimOTA部分！具体来讲，咩酱将SimOTA并行化！将YOLOX训练速度提高一个档次！原版YOLOX中使用for循环遍历每一张图片确定其正负样本，在dynamic_k_matching()中也使用for循环遍历每一个gt框以确定每一个gt框分配给几个预测框去学习。可见用了2层for循环。但是，这些在咩酱深度优化的SimOTA中统统都没有！咩酱干掉了所有for循环！一个批次的图片同时进行SimOTA操作！也不会遍历每一个gt！可以充分发挥飞桨深度学习框架的并行能力！我愿称之为飞桨python api的极致应用！代价也是有的，需要更多一些显存，即用空间换时间。

2021年，咩酱鸽了很久没有发精品项目，这不是缺席，而是希望项目在制作上更加精品，不停地打磨打磨，不鸣则已，一鸣惊人！整个项目耗费了我2个月的时间，是我最用心、完成度最高的项目。其中的视频剪辑耗费了我半个月的时间，看在我这么辛苦的份上，可不可以给咩酱的b站账号点个关注and给我的视频点个三连呢？视频文字版在“YOLOX训练、SimOTA优化详解(女装出镜)”那一章节。值得一提的是，咩酱在视频里设下两个彩蛋，分别是两大神作登场的名场面，至于是哪两大神作？卖个关子，你看到最后就知道了，一定要看到最后哦！初次见面，当然也有福利带给大家，本视频点赞过500，我为飞桨二创并演唱一首歌曲，本视频点赞每满1000，更有神秘的上不封顶的福利！赶快点赞和三连走起来吧！

我在Paddle-YOLOX仓库持续更新最新的代码，欢迎大家关注and下载代码到本机（windows系统也可以跑本项目）。为方便描述，下文中我将train_yolox.py脚本所在的目录称为YOLOX_HOME，比如，这个精品项目里，YOLOX_HOME为~/work；若各位读者用个人windows跑本项目，YOLOX_HOME为train_yolox.py脚本所在的目录。

一些结果：

模型	预训练模型	mAP(COCO val2017)	原版仓库mAP(COCO val2017)	配置文件
YOLOX_S	dygraph_yolox_s.pdparams	39.8	40.5	config/yolox/yolox_s.py
YOLOX_M	dygraph_yolox_m.pdparams	45.9	46.9	config/yolox/yolox_m.py
YOLOX_L	dygraph_yolox_l.pdparams	48.6	49.7	config/yolox/yolox_l.py
YOLOX_X	dygraph_yolox_x.pdparams	49.9	51.1	config/yolox/yolox_x.py

注意:

• 模型获取请见“快速开始”，权重移植到paddle后mAP有一点亏损，属正常现象；
• 不测FPS（我要节能！），反正测了你也跑不过TensorRT，还不如把精力花在导出上；
• test_dev费时费力（我要节能！），真想要测test_dev可以参考ppyolo的test_dev_yolo.py，只需改几处代码即可实现。

旷视提出了YOLOX，号称超越了一切的YOLO，是否是这样子呢？让咩酱来给大家深度剖析一下。让我们先来体验一下YOLOX的预测效果吧！

温馨提示：本项目涉及到的所有命令（包括训练、验证、预测）均在readme_yolox.txt里，大家可以打开这个文件并复制粘贴命令。

(1)获取预训练模型

大家fork这个项目之后，到这里下载YOLOX的预训练模型，并上传到YOLOX_HOME目录下。这些预训练模型是怎么样得到的？和咩酱之前的精品项目一样，前往原版YOLOX仓库下载yolox_s.pth、yolox_m.pth、yolox_l.pth、yolox_x.pth这些预训练模型，再分别运行1_yolox_s_2paddle.py、1_yolox_m_2paddle.py、1_yolox_l_2paddle.py、1_yolox_x_2paddle.py转换得到。因为这些脚本里有import torch，读者可在自己的windows（或linux）上运行这些脚本，AIStudio上暂时不可。

(2)使用模型预测图片、获取FPS（预测images/test/里的图片，结果保存在images/res/）

–config=0表示使用了0号配置文件yolox_s.py，配置文件代号与配置文件的对应关系在tools/argparser.py文件里：

即0代表使用config/yolox/yolox_s.py配置文件，1代表使用config/yolox/yolox_m.py配置文件，2代表使用config/yolox/yolox_l.py配置文件，3代表使用config/yolox/yolox_x.py配置文件。

预测时加载的权重为配置文件里test_cfg的model_path指定的文件，读者如果需要使用自己训练好的权重进行预测，需要修改model_path。

train_yolox.py、eval_yolox.py、demo_yolox.py都需要指定–config参数表示使用哪个配置文件，后面不再赘述。

如果不是在AIStudio上训练，而是在个人电脑上训练，数据集应该和本项目位于同一级目录(同时需要修改一下配置文件中self.train_path、self.val_path这些参数使其指向数据集)。一个示例：

如果你需要训练COCO2017数据集，那么需要先解压数据集

根据自己的需要修改配置文件。以训练yolox_m为例，config/yolox/yolox_m.py配置文件部分内容如下：

batch_size我取8，这也是32GB V100能跑的不会爆显存的批大小；

num_workers为DataLoader需要的num_workers；

model_path=None表示不加载预训练权重，从头训练，和原版YOLOX一样；

update_iter=1表示每隔1步更新一次参数。或许读者可以尝试设置update_iter=8（基础学习率也要乘以8），即每隔8步更新一次参数，这样可以变相地增加了批大小=8*8=64，这样你就和8卡训练差不多了。值得一提的是，原版YOLOX并没有使用同步bn，而是用的普通bn，所以，大胆去尝试吧；

eval_epoch=10表示每隔10个epoch计算一次eval集的mAP；

max_epoch=300表示训练300个epoch，和原版YOLOX一样；

mosaic_epoch=285表示前285轮进行mosaic增强，和原版YOLOX一样；

fp16=False表示不使用混合精度训练，咩酱用COCO预训练模型迁移学习voc2012数据集时，发现用混合精度训练的话收敛会比较慢，而且有的梯度被裁剪为0，所以这里暂时先不用混合精度训练。或许也是咩酱对混合精度训练不熟悉，感兴趣的读者可以尝试调整GradScaler()的参数进行训练and在评论区留言提醒咩酱；

fleet=False表示不使用分布式训练。有多卡条件的读者可设置为True，并使用readme_yolox.txt里“分布式训练”处的命令启动训练（按需要修改–config=?）；

learningRate处使用了和原版YOLOX一样的配置，基础学习率base_lr=0.01 * self.train_cfg[‘batch_size’] / 64，前5个epoch学习率从0增加到基础学习率，后面学习率余弦衰减；

优化器的配置optimizerBuilder使用了和原版YOLOX一样的配置，使用Momentum优化器，滑动平均参数momentum=0.9，use_nesterov=True；网络中仅卷积层的weight参数使用L2衰减，factor=0.0005，bn层的weight、bias、卷积层的bias参数不使用L2衰减。

再输入以下命令训练（以训练yolox_m为例）

训练5个epoch之后就能很好地检测到人。

注意，训练过程中有可能出现这个错误：

这个错误也困扰了咩酱很久。咩酱在训练yolox_s时会经常出现这个错误；训练yolox_m时则较少出现这个错误。所以咩酱才会用yolox_m作为示例。设置log_iter=1，即每一步都打印loss时，发现loss并不会出现nan。起初我以为是损失的问题，所以我将model/losses/iou_losses.py IOUloss()类的__call__()方法重写一遍，不使用逐句翻译的__call__()，后来我发现这样做只是会减少出现这个错误的概率（如果使用逐句翻译的__call__()，训练yolox_s(COCO2017数据集)几百几千步就出现这个错误，如果使用咩酱重写的__call__()，需要好几万步才出现这个错误）。咩酱走上了逐层排查的溯因之路，我每一步都打印loss和每一层的梯度，发现最开始是YOLOXHead的reg_preds[1].weight.grad、reg_preds[1].bias.grad中部分元素(梯度)为nan或者inf（当然，多跑几次发现reg_preds[0]、reg_preds[2]的梯度都有可能出现nan或者inf），导致再反向传播更新参数时将前面相关的层的权重污染为nan。导致下一次训练时，网络的输出为nan而出现这个错误。还有，我还发现，有可能reg_preds[0]、reg_preds[1]、reg_preds[2]的梯度都没有出现nan或者inf，而是稍微往前面一点的层，比如head.reg_convs[1][0].conv.weight.grad。总之，错的不是我，不是分类分支，而是回归分支和整个世界！这个错误有可能在warmup阶段出现，所以调小学习率并不是解决这个错误的办法。

我与此错误周旋了很久，依然没有很好的解决方案。使用混合精度训练时，并不会出现这个错误，因为它天生就有防止浮点数溢出的特性。感兴趣的读者可以使用混合精度(可能需要调整一下GradScaler()的参数)训练从头训练coco并在评论区通知咩酱结果，以咩酱单线程实验验证，需要的时间太久。有好的解决方案也欢迎在评论区提出。如果不使用混合精度训练，咩酱给出的解决方案是，鸵鸟算法！也就是出现错误并中断训练之后，手动修改配置文件中train_cfg的model_path=’https://blog.csdn.net/m0_63642362/article/details/weights/xxx.pdparams’，xxx表示保存的最新的模型。再运行以上命令接着训练。一个很好的建议是编写一个脚本(python或shell)，不停地监控训练进程，当监测到训练进程死亡之后，自动修改配置文件中train_cfg的model_path为最新，然后重启训练命令。我为什么不写？因为我的耐心被耗完了。

一个比较残酷的事实是，当出现上面这个错误之后，接着训练就会很容易再出现这个错误，导致训练无法再进行下去，而且验证集mAP直接变成0。所以是很难训练COCO数据集的！所以我推荐大家用这个仓库来迁移学习一下自定义数据集就好。另外我也希望能有大佬帮助我解决这个错误！现在咩酱正在尝试使用混合精度训练，有结果会通知大家。

自带的voc2012数据集是一个很好的例子。

先解压voc数据集：

将自己数据集的txt注解文件放到annotation目录下，txt注解文件的格式如下：

注意：xxx.jpg仅仅是文件名而不是文件的路径！xxx.jpg仅仅是文件名而不是文件的路径！xxx.jpg仅仅是文件名而不是文件的路径！

运行1_txt2json.py会在annotation_json目录下生成两个coco注解风格的json注解文件(如果是其它数据集，你还需要修改一下1_txt2json.py中的train_path、val_path、test_path、classes_path、train_pre_path、val_pre_path、test_pre_path)，这是训练脚本train_yolox.py支持的注解文件格式。

还是以yolox_m为例，在config/yolox/yolox_m.py里修改train_path、val_path、classes_path、train_pre_path、val_pre_path、num_classes这6个变量（自带的voc2012数据集直接解除注释就ok了）,就可以开始训练自己的数据集了。

另外，根据自己的需求修改配置文件里的其它配置

model_path='dygraph_yolox_m.pdparams’表示读取预训练模型’dygraph_yolox_m.pdparams’进行训练；

freeze_at=5表示冻结骨干网络进行训练，这样可以减少显存需求以及加快训练速度。

还是使用同样的命令启动训练：

实测yolox_m的AP(0.50:0.95)可以到达0.62+、AP(small)可以到达0.25+。

demo_yolox.py、eval_yolox.py也是根据配置文件指定的数据集进行预测、验证。

运行以下命令。评测的模型是config/yolox/yolox_m.py里self.eval_cfg -> model_path指定的模型

该mAP是val集的结果。

运行以下命令。使用的模型是config/yolox/yolox_m.py里self.test_cfg -> model_path指定的模型

终于到了压轴环节，这是咩酱之前发的精品项目里没有的环节。以前我总是只想写代码，写完只剩半口气了，哪还有精力分享技术细节。但是，精品项目不能只有这些，一个好的精品项目，应该对每一位读者负全责到底！我用飞桨深度学习框架复现了YOLOX算法并深度优化了其中的SimOTA部分！具体来讲，咩酱将SimOTA并行化！将YOLOX训练速度提高一个档次！原版YOLOX中使用for循环遍历每一张图片确定其正负样本，在dynamic_k_matching()中也使用for循环遍历每一个gt框以确定每一个gt框分配给几个预测框去学习。可见用了2层for循环。但是，这些在咩酱深度优化的SimOTA中统统都没有！咩酱干掉了所有for循环！一个批次的图片同时进行SimOTA操作！也不会遍历每一个gt！可以充分发挥飞桨深度学习框架的并行能力！我愿称之为飞桨python api的极致应用！代价也是有的，需要更多一些显存，即用空间换时间。

讲了半天，我好累，下面有请另一个我来给大家介绍这一部分吧！拜托了！另一个我！

是是是！哈喽！大家好，初次见面！我是寄宿在咩酱体内的另一个人格，大家可以叫我糖妹，以和咩酱区分。糖妹特地做了一个视频详解这一部分，即“概述”处的视频。希望大家能给糖妹点个关注and给个三连！你们的三连对我非常重要！

同时，糖妹会在AIStudio和大家同步播报文字版。糖妹来给大家详解YOLOX的训练部分。

YOLOv3前置知识

首先，我们先来说说YOLOv3算法吧。众所周知，一张图片经过YOLOv3网络前向传播之后，会输出3个不同分辨率的特征图。比如输入网络的图片形状为(1, 3, 416, 416)时，经过网络前向传播后，会得到形状分别为(1, 255, 13, 13)、(1, 255, 26, 26)、(1, 255, 52, 52)的3个特征图（数据集为COCO时）。如图1所示：

(图1)

我们把特征图和原图对齐来看的话，原图好像被切割成了一个一个的格子！一个格子对应特征图的一个像素点。我们可以大致看到每个格子大概拥有原图哪些区域的特征。需要注意的是，因为图片经过多层卷积层，叠加的感受野是非常大的，所以每个格子不仅仅只有格子内部原图区域的信息，还包括格子之外的感受野可达的原图区域的信息。

每个特征图有255个通道，这是因为，每个特征图的一个像素点（即一个格子）会出3个预测框，每个预测框有85位信息，0到3位是预测框的中心点xy偏移和预测框的宽高，第4位是objness，后80位是80个类别的条件概率。所以每个像素应该有3 * 85=255位信息。我们发现，特征图的分辨率比输入图片的分辨率小，这是因为网络中存在步长为2的卷积层，图片经过它，会使得自己的宽高缩小一半（即下采样）。(1, 255, 13, 13)形状的特征图经过了5次步长为2的卷积层，所以宽高变成了416/2^5=13；(1, 255, 26, 26)形状的特征图经过了4次步长为2的卷积层，所以宽高变成了416/2^4=26；(1, 255, 52, 52)形状的特征图经过了3次步长为2的卷积层，所以宽高变成了416/2^3=52。当然，这些特征图也不是输入图片一路卷到底来的，YOLOv3网络中有一个类似FPN的结构，低分辨率的特征图会进行一个上采样操作（最近邻插值）和高分辨率的特征图进行通道维的concat来提高检测效果，如图2所示：

(图2)

图中Output表示的是特征图的大小，图中的输入图片是256 * 256的大小。右下角斜着的那两条线就代表上采样了，用的是最近邻插值。汇合时的小黑点代表concat。

另外，下文中我还会经常提到一个词，特征图的stride，即特征图的步长。比如形状为(1, 255, 13, 13)的特征图，它经过了5次步长为2的卷积层，所以它的stride=2^5=32。可以理解为特征图的一个像素其实跨过了输入图片的32个像素。更形象地，你也可以理解为“格子的边长”，如图1右上角的特征图所示，13x13的特征图和416x416的输入图片对齐之后，就好像输入图片被切割成13x13个格子，每个格子的边长为32。同理，图1右下角的特征图的stride=16，图1左下角的特征图的stride=8。

YOLOX与YOLOv3的一些不同

好的，说了这么多铺垫终于轮到YOLOX出场了！YOLOX预测时默认使用了640x640的分辨率，直观一点，我再画一张图：

(图3)

YOLOX与YOLOv3有相似之处，也有不同之处。它也是像YOLOv3一样，一张图片出3种感受野的预测。不同的是，它使用了解耦头，即对于每种感受野，使用不同的卷积层作用于特征图以分别预测预测框的xy宽高、objness、clsness。所以每种感受野出3个特征图，通道数分别为4、1、80。

还有，YOLOX是一个Anchor-Free算法，而且每个格子只会出1个预测框，而YOLOv3是每个格子出3个预测框。还有，它的网络结构比YOLOv3的网络结构要复杂（本视频不会涉及过多的网络结构细节）。

废话不多说，我们开始训练YOLOX吧！

YOLOX的数据预处理

训练第一步当然是从预处理一小批图片开始。train_yolox.py中COCOTrainDataset类中的__getitem__(self, idx)方法用来读取一张图片。图片会经过预处理，在配置文件config/yolox/yolox_s.py中有预处理相关的配置，我们看代码，预处理部分的代码是借鉴了PaddleDetection的，所以，熟悉PaddleDetection的小伙伴应该很容易看懂。

首先经过DecodeImage打开（解码）图片，然后经过马赛克增强、色彩扭曲、随机水平翻转这些数据增强，之后经过BboxXYXY2XYWH，也就是将gt框的格式从“左上角xy坐标+右下角xy坐标”变成“gt框中心点xy坐标+gt框宽高”。YOLOXResizeImage的作用是随机选一个尺度进行Resize，即多尺度训练，这一步gt框也会跟着图片一起缩放，而且图片缩放时是保持着图片原始宽高比进行缩放。PadBox的作用是将每张图片的gt数量填充到num_max_boxes=120个，gt_class和gt_score也会跟着填充到120个。这么做的原因是为了可以用一个形状为(batch_size, 120, 4)的张量表示这一批图片的所有gt框的xywh信息；init_bbox=[-9999.0, -9999.0, 10.0, 10.0]表示填充的gt框的信息初始为这4个数，为什么用这些数字初始化？一会讲到SimOTA时会与大家说。SquareImage的作用是将图片填充成正方形，fill_value=114表示填充的颜色是灰色。刚才说到，YOLOXResizeImage这一步缩放时是保持着图片原始宽高比进行缩放的，假如我一张宽240高320的图片resize到640这个尺度，那么宽会变成480，高会变成640。那么我就需要SquareImage这一步将图片填充成一个正方形图片。SquareImage的代码也非常简单，is_channel_first=True表示输入的图片维度是CHW排序的，is_channel_first=False表示输入的图片维度是HWC排序的；先创建一张边长为max(H, W)的图片padded_img，这里为640，然后将im左上角对准padded_img左上角贴上去就完事了。这一步不会改动gt的坐标，所以gt不用跟着变换一下。

Permute的作用是将图片维度顺序从HWC变成CHW。

预处理完这一批图片之后，我们回到train_yolox.py

为方便表述，假设这一批图片是抽到640这个随机尺度来进行训练，假设批大小为N。下文都会用到。

COCOTrainDataset的__getitem__()方法会预处理一张图片，取出关键信息以组成一个batch的数据。假如这一次是抽到了640这个尺度来训练。它返回了image，形状是(3, 640, 640)；gt_class_bbox，形状是(120, 5)，表示了120个gt框，包括了填充的假的gt框，5位信息表示1个gt框，其中第0位表示gt框的类别id，后4位表示gt框的中心点xy坐标+gt框宽高，这些xywh是相对于image宽高来说的，本示例中为640x640。所以在DataLoader中这一次我们读出来的data中images的形状是(N, 3, 640, 640)，gt_class_bbox的形状是(N, 120, 5)。如图4所示：

(图4)

我也建议大家多用Pycharm的调试功能看代码，加深理解。

特征图在yolox_head里的旅行

跳过骨干网络和FPN，我们直接看特征图在yolox_head里经历了什么。

在model/anchor_heads/yolox_head.py的get_loss()方法的第一行代码处打个断点，然后Debug的方式启动train_yolox.py脚本。如图5所示

(图5)

xin是一个长度为3的元组，里面的元素是FPN输出的3个特征图，分别是stride=8、16、32的特征图。labels即上文的gt_class_bbox，形状是(N, 120, 5)。然后我们进入get_outputs()方法。传入get_outputs()方法的参数只有xin。

(图6)

它用for循环遍历每一个fpn输出的特征图并处理。比如这个stride=8的特征图，它先经过self.stems[k]这个卷积层，然后兵分两路为cls_x、reg_x，cls_x、reg_x分别经过一些卷积层得到cls_output和reg_output，分别预测box的各类别概率和xywh。其中回归分支中的reg_feat还分出一个支线预测obj_output，即box的置信度。这就是YOLOX论文中所说的解耦头了。我们还可以看到reg_output、obj_output、cls_output的形状分别是(N, 4, 80, 80)、(N, 1, 80, 80)、(N, 80, 80, 80)，作者在这里把它们在第1维拼接了一下，合并成一个形状为(N, 85, 80, 80)的张量output。之后，进入get_output_and_grid()方法，这个方法的作用是对xywh解码以及初始化self.grids。传入的参数是ouput, k=0, stride_this_level=8

(图7)

我们来看看这个方法做了什么。首先，如果self.grids[k]没有被初始化，它会被初始化成一个形状是(1, 1, 80, 80, 2)的张量grid，代表了这个特征图80x80个格子左上角的xy坐标，单位是这个特征图的stride（单位是这个特征图的格子边长）。也就是说，本来这80x80个格子左上角点在640x640像素的输入图片中的xy坐标应该是(0像素, 0像素)、(8像素, 0像素)、(16像素, 0像素)、…（格子从左往右，从上往下数时）。但是因为这里规定了单位1代表的是格子的边长（也就是特征图的stride），所以坐标变成了(0, 0)、(1, 0)、(2, 0)、…。之后，作者对output进行reshape、transpose一系列操作，把output的形状变成了(N, 1x80x80, 85)。这里self.n_anchors=1，表示YOLOX算法一个格子只会出1个预测框。然后，也把grid reshape成了(1, 1x80x80, 2)的形状。接着，就是对预测框的xywh解码了。看xy的解码公式，我们得到一个重要的信息。即网络回归分支最后的卷积层输出的xy预测的不是预测框中心点的绝对坐标，它预测的是相对于格子左上角的偏移，而且是以格子边长为单位（以这个特征图的stride为单位）。所以，解码xy的时候，需要用网络的xy输出加上格子左上角坐标grid，再乘以格子边长stride得到最终坐标，最终坐标以1像素作为单位。wh的解码很简单，网络输出的wh先用指数函数激活，再乘以格子边长stride得到最终wh，最终wh也是以1像素作为单位。由于经过了指数函数激活，所以最终wh不可能是负数。最后，将解码后的xywh放回output里面，用的是concat()这个api。可以看见这个方法的作用是对xywh解码以及初始化self.grids。返回output和grid。我们回到get_outputs()方法。

(图8)

之后发生了什么事呢？我们看到，作者把grid切分成x、y坐标，分别被append进了x_shifts、y_shifts里。然后，将这个特征图的stride复制hsize * wsize份，意思是每个格子持有一个stride，得到expanded_stride，然后将expanded_stride append进了expanded_strides里。如果使用L1损失，还需要保留一下未解码的xywh，未解码的xywh被append进了origin_preds里。output被append进了outputs里。最后返回这些变量。

(图9)

师徒四人（origin_preds：我没有存在感？？？）鬼门关走一遭从get_outputs()方法里逃出来以后，大师兄悟空表示没有玩够，当即表演了一个自我粘合。悟空法力高强，打得那魑魅魍魉东躲西藏。八戒冲锋陷阵，嫦娥妹妹等他月圆重逢。沙僧露出笑容，大师兄二师兄让他感到光荣。唐僧默默转动手上念珠，因为他知道师徒四人齐心合力就一定不会输！扯远了，，，我们看到outputs里有3个张量，形状分别为(N, 1x80x80, 85)、(N, 1x40x40, 85)、(N, 1x20x20, 85)，分别为stride=8、16、32的特征图对xywh解码后的结果。x_shifts里3个张量形状为(1, 1x80x80)、(1, 1x40x40)、(1, 1x20x20)，分别为stride=8、16、32的特征图格子左上角x坐标，单位是对应特征图的stride。y_shifts里3个张量形状为(1, 1x80x80)、(1, 1x40x40)、(1, 1x20x20)，分别为stride=8、16、32的特征图格子左上角y坐标，单位是对应特征图的stride。expanded_strides里3个张量形状为(1, 1x80x80)、(1, 1x40x40)、(1, 1x20x20)，分别为stride=8、16、32的特征图格子的边长（也就是对应特征图的stride）。outputs进行一个concat操作，对第1维concat，3个输出被合并成一个形状为(N, 8400, 85)的输出outputs。也就是说对于1张640x640的输入图片，会有8400个预测框（格子）。之后，进入get_losses()方法。欲知师徒五人接下如何，且听下回分解。

咩酱深度优化的SimOTA

说到这里，糖妹还是难以掩饰脸上的笑容。另一个我真是太帅了！不愧是你，能想出这么绝的方法优化SimOTA。咩酱向你保证全程不使用for循环。并行版SimOTA确定的正负样本与原版的结果是完全一样的，咩酱逐个对比了pytorch原版与paddle并行版的每个中间变量，结果是一样的，请大家放心使用。进入get_losses()方法后，为表述方便，设N=批大小，这里为2。设A=每张图片输出的预测框数，在这里A=8400。我们先来看看labels里有啥，通过numpy()方法将它变成ndarray

(图10)

我们发现，第0张图片实际上有11个gt，第1张图片实际上有5个gt。第0列代表类别id，后4列代表gt的xywh（因为图片经过了BboxXYXY2XYWH这个预处理）。两张图片都被值为[0, -9999, -9999, 10, 10]的假gt凑数凑够120个，是在PadBox这个预处理步骤里做的。一会儿我会解释为什么以[-9999.0, -9999.0, 10.0, 10.0]这4个值初始化假gt。

(图11)

命令继续往下执行。第一步，把把网络输出切分成预测框、置信度、类别概率，形状分别是(N, A, 4)、(N, A, 1)、(N, A, 80)，也就是悟空拔了两根毛变出两个分身obj_preds、cls_preds。注意，悟空的分身obj_preds、cls_preds没有经过sigmoid()激活，不像本体bbox_preds一样是完全体形态，所以计算二值交叉熵损失时要使用带有WithLogits字样的api。悟空本体bbox_preds是已经经过解码的xywh。第二步，计算每张图片gt数目，很简单，就是把labels第2维加掉，即类别id和xywh加起来，和大于0的是真的gt，否则是填充的假gt。if_gt的形状是(N, 120)，是真gt处为1。然后，求出每张图片的gt数nlabel，值为[11, 5]，最后，求出每张图片最多的gt数，为G=11。如果此时算得G==0，即所有图片都没有gt时，直接计算损失并返回；只计算置信位的损失，所有N * A个预测框都是负样本，使用的是二值交叉熵损失。如果G!=0，对labels截取，每张图片截取前G个gt，因此labels变成了一个形状为(N, G, 5)的张量。我们可以看到，第1张图片只有5个gt，所以它还是携带有6个假gt的，不过不要紧，一会让我们看看咩酱是怎么处理的。对if_gt同样截取获得is_gt，形状为[N, G]，是真gt处为1。

(图12)

第三步，八戒、沙僧、唐僧（x_shifts、y_shifts、expanded_strides）也进行了自我粘合，形状都变成了(1, A)；如果使用L1损失，白龙马origin_preds也进行自我粘合，形状变成了(N, A, 4)。注意，白龙马里面的xywh是未解码的xywh。第四步，对于每张图片，决定哪些样本作为正样本。也就是SimOTA了。4.1步，切割labels变成gt_bboxes、gt_classes，分别表示gt的xywh和类别id。4.2步，进入get_assignments()方法，师徒四人真的是命途多舛。白龙马origin_preds不用刷这个副本。师徒四人和悟空的两个分身进入副本。

(图13)

get_assignments()确定正负样本，里面的张量不需要梯度，所以在方法前面加装饰器@paddle.no_grad()。一进入get_assignments()，立马出来一个小boss get_in_boxes_info()，一言不合布下一结界困住八戒、沙僧、唐僧三人，挡悟空于结界之外。“师父！”悟空大喊道。“悟空！”唐僧回应。悟空拿出如意金箍棒往罩子上一砸，罩子竟毫发无损。“哈哈，此罩乃关底大boss所设，大boss法力高强天下无敌，若你们师徒3人无法打败我，孙悟空再怎么使劲都砸不开这个罩子”，小boss得意道。悟空多试了几次，如其所言，他感受到了五百年前被如来佛祖压在五指山下般的无奈与绝望。只能默默在罩子外观战。八戒、沙僧、唐僧三人进入小boss副本。

(图14)

get_in_boxes_info()里做的第一件事是计算每张图片所有格子和这张图片所有gt的两两之间的位置关系，即格子中心点是否在某个gt框内部。这句话有点长，没关系，我慢慢解释。我们有N张图片，每张图片有A个格子，每张图片有G个gt（包括了假gt）。所以我们需要用一个形状为(N, G, A)的张量表示这种位置关系。看代码，我们先把每张图片每个格子的中心点x坐标、y坐标计算出来。理论上来说，每张图片每个格子的中心点x坐标、y坐标可以分别用2个形状都为(N, A)的张量来表示。但是代码里却是用形状都为(N, G, A)的张量x_centers、y_centers来表示，这是为什么呢？因为我们需要计算的是每张图片所有格子和这张图片所有gt的两两之间的位置关系，所以每个格子的中心点x坐标、y坐标都重复了G次。接着，我们计算出gt左上角x坐标、gt右下角x坐标、gt左上角y坐标、gt右下角y坐标；这些坐标的形状都是(N, G, A)，重复了A次，理由也是一样的，因为每个gt要和所在图片的每个格子计算位置关系，所以重复了A次。这时候，x_centers、y_centers、gt左上角x坐标、gt右下角x坐标、gt左上角y坐标、gt右下角y坐标形状都是一样的，都是(N, G, A)，就可以开始计算了。怎么判断格子的中心点是否在gt内部呢？我们使用作差的方法，若格子的中心点在gt内部，那么b_l = 格子的中心点x - gt左上角x坐标、b_r = gt右下角x坐标 - 格子的中心点x、b_t = 格子的中心点y - gt左上角y坐标、b_b = gt右下角y坐标 - 格子的中心点y，这4个值肯定都大于0，等价于这4个值的最小值大于0，所以代码就用了paddle.min()实现。is_in_boxes这个张量表示格子中心点是否在某个gt内部。我举个例子给大家解释一下。

(图15)

比如这张图片有狗、自行车、汽车3个gt，即G3，gt框的颜色分别是黄、红、蓝。如果格子中心点位于对应的gt内，那么在格子里画上一个对应颜色的小圆点。那么一个格子里最多能画G3个小圆点。那么这张图（图15）其实就表示了代码里is_in_boxes这个张量，形状为(N, G, A)。G那一维表示一个格子里最多能画G个小圆点，N、A这两维表示了所有图片的所有格子。is_in_boxes里某个位置(r, s, t)的值为1，表示第r张图片第t个格子的中心点位于第s个gt的内部。这么说应该懂了吧？通过图15可以看出，is_in_boxes这个张量表示了格子中心点是否在某个gt内部。is_in_boxes_all形状为(N, A)，表示N * A个格子，若在任何一个gt内部，则为1。

（图16）

接着往下看代码，作者为每个gt构造了一个对应的正方形镜像gt，镜像gt和原gt的中心点位置是一样的，但是边长变成了2 * center_radius * stride(3个特征图分别是8、16、32)。这里center_radius=2.5，也就是每个特征图下的镜像gt的边长为5倍格子边长。接下来的代码是计算格子中心点是否在某个镜像gt内部，同样使用作差的方法得到is_in_centers和is_in_centers_all。我同样画图出来给大家感受一下：

(图17)

镜像gt可能比原gt大，也可能比原gt小。如果格子中心点位于对应的镜像gt内，那么在格子里画上一个对应颜色的小圆点。经过同样的处理方式得到is_in_centers这个张量，形状为(N, G, A)。is_in_centers里某个位置(r, s, t)的值为1，表示第r张图片第t个格子的中心点位于第s个镜像gt的内部。镜像gt有什么用呢？其实就是用来判断格子中心点是否在原gt中心附近。另外，上文说到我用[-9999.0, -9999.0, 10.0, 10.0]这4个值初始化假gt，这是为了让假gt的镜像gt（它是有5个格子边长的。）不围住格子中心点，从而影响结果。试想一下，假如我用[0, 0, 0, 0]这4个值初始化假gt，那么假gt的镜像gt会包围住每张特征图左上角的格子，会影响后续计算。所以我把假gt设置在了第三象限，远离格子。（看回图16）is_in_centers_all形状为(N, A)，表示N * A个格子，若在任何一个镜像gt内部，则为1。最后两句代码，is_in_boxes_or_center，形状为(N, A)，表示每个格子是否是在 任意gt内部 或 任意gt的镜像gt内部（不要求同一个gt），值为1处的格子可以叫做“候选正样本”。is_in_boxes_and_center，形状为(N, G, A)，表示每个格子是否是在 某个gt内部 且 这个gt的镜像gt内部（要求同一个gt）。每个格子持有G个值，G个值中若至少有1个值为1，不难证明，这个格子其实也是“候选正样本”中的某个。is_in_boxes_and_center的作用是 用来帮助确定 某些高质量的候选正样本 成为最终正样本。因为若某个格子既在gt内又在这个gt的镜像gt内时，它就更应该负责去学习这个gt。最后返回is_in_boxes_or_center、is_in_boxes_and_center。

(图18)

历经千辛万苦，八戒、沙僧、唐僧师徒3人终于打败小boss，结界也被解除。悟空高兴地跳着奔向他们，重聚的欢笑难以消逝。殊不知，前面等待他们的竟是另一种别离。4-2-2步，计算每张图片 所有gt 和 所有预测框 两两之间的iou 的cost，iou越大cost越小，越有可能成为最终正样本。这里作者的变量名叫做loss，但其实是cost，cost和loss是有很大区别的，最大的区别是cost不用进行反向传播，它只是用来确定正负样本的。计算两两之间的iou是一项基本功，糖妹不会详细解释这里的代码，做法有点类似刚才计算格子和gt两两之间的位置关系，把gt_bboxes重复A次，把bbox_preds重复G次，使形状一样，再整体计算。返回一个形状为(N, G, A)的张量pair_wise_ious，表示两两之间的iou。然后，要将假gt 和 任意预测框 的iou置为0，因为不能用假gt确定最终正样本；将 非候选正样本 和 任意gt 的iou置为0，因为只有候选正样本才有资格成为最终的正样本。以不影响后续dynamic_k_matching()方法计算。接着，计算pair_wise_ious_loss，即格子和gt两两之间iou的cost，取对数再取相反数。可以看出来，若iou越大，iou的cost越小，越有可能成为最终正样本。而iou==0时，iou的cost为-ln(1e-8)=18.42068，iou的cost还是不够大，所以还要手动放大 假gt 和 任意预测框 的ious_cost，因为不能用假gt确定最终正样本。另外，还要放大 非候选正样本 和 任意gt 的ious_cost，因为非候选正样本没有资格成为最终正样本。pair_wise_ious_loss的形状是(N, G, A)，用来帮助确定哪些格子是最终正样本，有G这个维是因为，不仅要确定某个格子是否是最终正样本，还要确定它和哪个gt有最小cost，以确定它负责学习哪个gt。

(图19)

4-2-3步，计算每张图片 所有gt 和 所有预测框 两两之间的cls 的cost，cost越小，越有可能成为最终正样本。首先，把各类别分数表示出来，即p=sigmoid(置信度) * sigmoid(各类别条件概率)，再重复G次，因为是两两之间。再开根号求平均。然后，获取N * G个gt的onehot向量，onehot向量重复A次，因为是两两之间。再用二值交叉熵计算每张图片 所有gt 和 所有预测框 两两之间的cls 的cost，把表示类别的那维的cost加掉，形状同样变成了(N, G, A)。同样地，不能用假gt确定最终正样本，非候选正样本没有资格成为最终正样本。所以假gt 和 任意预测框 的cls_cost放大，非候选正样本 和 任意gt 的cls_cost放大。4-2-4步，计算每张图片 所有gt 和 所有预测框 两两之间的 总的cost，cost越小，越有可能成为最终正样本。总的cost是这样计算的，等于pair_wise_cls_loss加3倍的pair_wise_ious_loss加十万倍的(1.0 - is_in_boxes_and_center)。is_in_boxes_and_center的作用是 用来帮助确定 某些高质量的候选正样本 成为最终正样本。因为若某个格子既在gt内又在这个gt的镜像gt内时，它就更应该负责去学习这个gt。is_in_boxes_and_center是1，cost越小，对应格子越有可能成为最终正样本，学习的是为1处的那个gt。is_in_boxes_and_center是0，cost越大，对应格子越不可能成为最终正样本。总的cost的形状同样是(N, G, A)。

(图20)

4-2-5步，根据cost从 候选正样本 中 确定 最终正样本，并确定最终正样本学习的是哪个gt。dynamic_k_matching是关底的大boss，进去看看发生了啥。

(图21)

传入的参数的形状和说明我在注释中打出来了，大家不用往前翻。4-2-5-1步，每个gt应该分配给几个预测框（格子）。对于每个gt，选出前10个与它iou最高的预测框。然后，把前10个的预测框iou求和，确定每个gt应分配给了几个预测框，得到dynamic_ks。而且dynamic_ks至少取1，将dynamic_ks转成整型。我们看dynamic_ks里面的数值，第0张图片11个真gt应该分别被分配给5、8、7、6、7、5、3、6、7、9、9个预测框，第1张图片的前5个真gt应该分别被分配给7、8、9、9、8个预测框，后6个假gt都应该分配给1个预测框。但是不能用假gt确定最终正样本。如何处理假gt呢？稍后会讲。最后求所有图片所有gt的dynamic_ks的最大值，得到max_k，这里是9。

(图22)

4-2-5-2步，根据4-2-5-1步，构造一个形状为[N, G, A]的matching_matrix，每个gt前dynamic_ks个cost最小的预测框处填入1，代表gt分配给了这个预测框。不放心的话，再次将假gt的cost增大。因为不能用假gt确定最终正样本。不放心的话，再次将非候选正样本的cost增大。因为非候选正样本没有资格成为最终正样本。接着，我用paddle.topk()求cost在第2维的前max_k个最小值和最小值的坐标。我使用了sorted=True,因为并不是每个gt都被分配给了max_k个预测框，有的gt分配到的预测框个数小于max_k，所以需要排序，方便后面截断。min_cost的形状是[N, G, max_k]，表示对于每个gt，取前max_k个cost最小的cost；min_cost_index的形状是[N, G, max_k]，表示对于每个gt，取前max_k个cost最小的cost的坐标。即哪些预测框（格子）与这个gt的cost最小。注意，min_cost_index里的值的范围是0到A-1之间（包含0和A-1）,即坐标是cost第2维的坐标。接着，构造一个形状为[N * G * A, ]的matching_matrix，这个矩阵是一个载体，为1处的地方表示这个gt分配给了第几个格子。刚才说到，min_cost_index里的值的范围是0到A-1之间，那么对应的预测框（格子）在matching_matrix中的坐标是怎么样的？我们还要加上每个gt的第0个格子在matching_matrix中的坐标，也就是gt_ind * A。整理min_cost_index，成为一个形状为[N * G * max_k, ]的张量，表示对于每个gt，取前max_k个cost最小的cost的坐标。坐标的范围是0到N * G * A - 1，即在matching_matrix中的坐标。对于某些gt，比如第0张图片的第0个gt，它在dynamic_ks中的值为5，小于max_k=9，也就是说，它只需要取与其cost最小的前5个预测框作为它的正样本，min_cost_index里多余的后4个预测框是不作为它的正样本的。咩酱他是怎么解决这个问题的呢？他太聪明了，他先构造一个下三角全是1的矩阵topk_mask，形状是(max_k, max_k)，然后根据dynamic_ks里面的值抽出对应一行得到fill_value，形状是(N * G, max_k)。比如说第0张图片的第0个gt，它在dynamic_ks中的值为5，它的fill_value应该是[1, 1, 1, 1, 1, 0, 0, 0, 0]，即前5个值为1，后面4个是0。另外，第1张图片有6个假gt，它们在dynamic_ks中的值为1，它们的fill_value是[1, 0, 0, 0, 0, 0, 0, 0, 0]，这里我把它们的fill_value全部置0，通过乘以is_gt实现，这样的话假gt填入matching_matrix中的值全部是0了，假gt不分配正样本。然后，把fill_value reshape成和min_cost_index一样的形状[N * G * max_k, ]。最后，使用paddle.scatter()这个api把matching_matrix在min_cost_index处的元素修改为fill_value里面的值，reshape成[N, G, A]的形状，为1处的地方表示这个gt分配给了这个预测框。

(图23)

4-2-5-3步，如果有预测框anchor（花心大萝卜）匹配到了1个以上的gt时，做特殊处理。因为不可能让1个预测框学习多个gt，它只有85位信息，做不到；做法是让预测框学习与其具有最小cost的gt。对matching_matrix的第1维求和，得到anchor_matching_gt，形状是[N, A]，表示每个预测框（格子）匹配到了几个gt。如果有预测框匹配到了1个以上的gt时，做特殊处理。怎么处理呢？首先，找到与花心大萝卜具有最小cost的gt。找到 花心大萝卜 的下标（这是在anchor_matching_gt.shape[N, A]中的下标）。假设有R个花心大萝卜。那么index的形状是[R, 2]，这里R==2，而且发现这2个花心大萝卜都是第0张图片的预测框，因为它们的第0个坐标都是0。接着把cost转置一下，形状变成[N, A, G]，方便抽出 R个花心大萝卜 与 gt 两两之间的cost。最后，为 每个花心大萝卜 找到 与其cost最小的gt 的下标cost_argmin，形状为[R, ]。接下来要做的事是把matching_matrix中花心大萝卜处的长度为G的向量修改为只有在最小cost的gt处为1的onehot向量。所以，先准备onehot向量，在最小cost的gt处为1。one_hots是一个形状为[R, G]的张量。把matching_matrix的形状变换成[N * A, G]方便填入。index是花心大萝卜在anchor_matching_gt.shape=[N, A]中的坐标，为了变换成在matching_matrix.shape=[N * A, G]中第0维的坐标，需要把index的第0维坐标乘以A加上index的第1维坐标。同样地，使用paddle.scatter()这个api把matching_matrix在index处的元素修改为one_hots里面的值，填入的是onehot向量，即此时花心大萝卜变成了只学习与其具有最小cost的那个gt。最后，matching_matrix变回原来的形状[N, G, A]。

(图24)

4-2-5-4步，做一些收尾工作，准备监督信息以计算损失。第一步，准备 置信度obj-ness 需要的监督信息。matching_matrix第1维求和得到fg_mask，fg_mask作用是监督置信度，计算置信度损失。是最终正样本处为1。fg_mask求和得到所有图片前景个数num_fg。第二步，准备 各类别概率 需要的监督信息。确定最终正样本需要学习的类别id。先计算最终正样本在fg_mask.shape=[N, A]中的坐标pos_index，形状为[num_fg, 2]。只取pos_index的第0个坐标得到image_id，表示最终正样本是第几张图片的最终正样本。然后抽出matching_matrix中属于最终正样本的长度为G的向量，也是onehot向量。用argmax()算出第几个gt处为1。考虑到这是第几张图片的最终正样本，matched_gt_inds还要加上image_id * G才能得到最终所需要学习的gt的坐标（在gt_classes.shape=[N * G, ]中的坐标）。最后，把最终正样本需要学习的类别id抽出来。第三步，取出最终正样本和所学gt的iou。先计算ious = (matching_matrix * pair_wise_ious)，matching_matrix第1维其实最多只有1个值非0，所以变成了最终正样本和所学gt的iou。ious把第1维加掉，还是最终正样本和所学gt的iou。最后，用gather_nd()取出最终正样本和所学gt的iou，它的形状是[num_fg, ]。然后返回这些张量。

(图20)

程序从dynamic_k_matching()方法返回后删除了一些中间变量，释放内存，也马上从get_assignments()方法返回，SimOTA部分结束。咩酱将SimOTA并行化，全程不使用for循环。

loss的计算

(图25)

和SimOTA一样，实现损失时，咩酱逐个对比了pytorch原版与paddle版的每个中间变量，结果是一样的，请大家放心使用loss部分。我把self.get_assignments()返回的结果打在了注释里，让大家不用往回翻。get_losses()方法的第5步，准备监督信息。第一步，准备 各类别概率 需要的监督信息。首先准备一个对角线位置全是1，其余位置全为0的矩阵。形状是[80, 80]，根据gt_matched_classes提供的最终正样本需要学习的类别id抽出每个最终正样本需要学习的类别one_hot向量。num_fg个最终正样本需要学习的类别one_hot向量需乘以其与所学gt的iou。为什么要这么做？我也不懂，我只是个搬砖的。第二步，准备 置信度obj-ness 需要的监督信息。只要把fg_mask给reshape一下就好了。第三步，准备 回归分支 需要的监督信息。把每个最终正样本需要学习的gt的xywh抽出来即可。第四步，如果使用L1损失，准备 L1损失 需要的监督信息。L1损失监督的是最终正样本未解码的xywh，所以把reg_targets编码成未解码的状态，得到l1_targets。最后，监督信息停止梯度。

(图26)

get_losses()方法的第6步，计算损失。首先，把每个最终正样本预测的xywh抽出来，再和reg_targets计算损失，使用的是iou损失，仅最终正样本（num_fg个）计算iou损失。我们看看iou损失的计算：

(图27)

需要先把预测框和其所学gt的iou求出来。pred和target的形状都是[num_fg, 4]，里面的值都是表示框的中心点xy坐标+框的宽高。首先，boxes1和boxes2都变成左上角坐标、右下角坐标格式。然后分别求出每个预测框和每个gt的面积。接着，求预测框和所学gt的相交矩形的左上角坐标、右下角坐标。

(图28)

如图28的左图所示，两个矩形的相交矩形为蓝色矩形，蓝色矩形左上角坐标应等于预测框左上角坐标和gt框左上角坐标逐元素取最大，蓝色矩形右下角坐标应等于预测框右下角坐标和gt框右下角坐标逐元素取最小，所以代码中使用了paddle.maximum()和paddle.minimum()实现。另外，可能两个矩形没有重叠区域，如图28的右图所示。假如此时按照刚才的算法求相交矩形的左上角坐标、右下角坐标，那么得到的相交矩形的左上角坐标x0y0应该是右下矩形的x0y0，得到的相交矩形的右下角坐标x1y1应该是左上矩形的x1y1，易知相交矩形的x0 > x1、y0 < y1，导致计算相交矩形的面积时宽是负数，（切回图27）所以我对相交矩形的宽、高用了一个relu()激活函数，即当不存在相交矩形时，相交矩形的面积为0。最后就是套用iou的计算公式了，iou=交集面积/并集面积。最后iou_loss = 1 - iou ** 2，iou的值为0到1之间，iou越大，表示预测框和所学gt越接近，此时loss越小。另外，假如你使用的是giou损失，还要额外计算giou，giou很好计算，用一个最小的矩形把预测框和gt包围起来，如图29所示：

(图29)

红框矩形就是所求的包围矩形。如何求这个包围矩形的左上角坐标、右下角坐标呢？包围矩形左上角坐标应等于预测框左上角坐标和gt框左上角坐标逐元素取最小，包围矩形右下角坐标应等于预测框右下角坐标和gt框右下角坐标逐元素取最大。和求相交矩形的算法就差一点，逐元素取最大、最小切换一下就行了。代码就这样写：

(图30)

然后求包围矩形的面积，包围矩形的宽高肯定都是正数，所以不用relu()。然后giou = iou - (enclose_area - union_area) / enclose_area = iou - 黄色区域面积 / 包围矩形的面积，如图29所示。 黄色区域面积 / 包围矩形的面积 的取值范围是0到1之间，当这个比值接近1时，表示预测框和gt离得很远，当这个比值接近0时，表示预测框和gt非常接近。所以这个比值越小越好，而giou = iou - 这个比值，可以看出，iou越大，这个比值越小，那么giou越大，表示预测框和gt越接近。giou的取值范围是-1到1之间（想象一下，当两个矩形重合时，giou1；当两个矩形无穷远时，giou-1）。giou_loss = 1 - giou的取值范围是0到2之间。giou越大，表示预测框和gt越接近，giou_loss也越小。

(图26)

计算完iou损失后，计算置信度损失，使用的是二值交叉熵损失，所有样本（N * A个）都计算置信度损失。接着，计算cls损失，把所有最终正样本预测的类别向量抽出来，再和cls_targets计算损失，使用的是二值交叉熵损失，仅最终正样本（num_fg个）计算cls损失。最后，如果使用L1损失，把所有最终正样本预测的未解码的xywh抽出来，再和l1_targets计算损失，使用的是L1损失，即绝对值损失，仅最终正样本（num_fg个）计算L1损失。把这些损失整理成字典返回，其中iou损失的权重是5。至此，loss部分讲解结束（完结撒花）！

感谢YOLOX的作者团队！感谢百度飞桨AIStudio提供给我这样的展示自己的机会！特别感谢PaddleDetection，可以说PaddleDetection是我的老师，飞桨2.x的写法、数据预处理方法、损失函数的写法等等，都是我从PaddleDetection中学习到的，学习PaddleDetection真的让我提升很多。另外，实现YOLOX中并行版SimOTA时，也遇到很多困难，比如怎么一批图片同时处理、怎么修改张量中某些位置的元素等等，一开始我想到SimOTA和SSD中的在线难样本挖掘有点类似，所以翻阅了PaddleDetection中SSDLoss里的代码，获得了很多灵感才把并行版SimOTA实现出来，再次感谢PaddleDetection！最后感谢咩酱的刻苦钻研！

宅男，喜欢拍视频，因为没有流量只能被迫女装出道，是一个被深度学习耽误的歌手、摄影师、导演、演员。（开玩笑的，不要信！）

哈哈！还没有跟大家正式介绍过我自己。我是咩酱，之前本科毕业于南京大学（以一个学渣的身份，并不值得大家效仿）。如果有人问我有想对在校大学生说些什么吗？我会说，不要虚度年华，人生需要一直学习！毕业后的第一份工作做的是java工程师，由于工作内容太过枯燥（天天写网页and爬虫），这些都不是我想要。偶有一天以前的我对我说，咩酱，你别做java了，最适合你的是数学。于是乎一言不合就裸辞自学AI（95后就是这么任性呢）。我并没有这方面的基础就入坑AI的，读者如果是学生的话，希望你们要珍惜在校的学习机会！因为一些机缘巧合认识飞桨，并走到今天这一步，非常感谢飞桨给我这一个表现自己的机会。

(糖妹抢过话筒)

其实，我最有权发言了，和你朝夕相处那么久，我还不了解你吗？咩酱他是一个低耦合的人，对别人的依赖几乎没有，他一个人抗下了生活的一切。咩酱这些年学会的一件事是怎么和自己相处，怎么认识真正的自己。但是他一点都不感觉到孤单，一方面是有糖妹的全程陪伴，另一方面是在AIStudio这个平台遇到志同道合的你们。欢迎大家来B站找我玩耍！点个关注不迷路！

我的兴趣爱好广泛，喜欢女装、唱歌，最喜欢的歌手是周杰伦。

可不可以给女装大佬点个关注and三连！嘤嘤嘤~

B站: _糖蜜

AIStudio: asasasaaawws

GitHub: miemie2013