1，YOLOX算法介绍
1.1，YOLOX算法核心思想
（1）耦合检测头更改为非耦合检测头。
（2）从Anchor-based 改为Anchor-free
（3）数据增强
1.2，YOLOX算法详细步骤
（1）检测头解耦的细节如下图所示：
从原始的一个检测头预测cls，reg和obj三项内容，解耦成两个分支，第一个分支预测cls，第二个分支预测reg和IoU。
检测头解耦之后得到了以下两点改进：
① 将预测分支解耦极大的改善收敛速度。
② 相比较于非解耦的端到端方式，解耦能带来4.2%AP提升。
（2）Anchor_free策略
作者认为Anchor_based检测方法需要设定Anchor值，无论是借用前人的经验数值或根据任务数据聚类分析来确定，都有泛化性不强的缺点。
同时Anchor_based检测中，每一个点基本有3组Anchor值（正方形，长的、宽的），相比之下Anchor_free策略就少了3倍的预测量，可以减少模型参数和预测速度。
为了使用Anchor_free策略，作者只将物体中心点所在的位置认为是正样本，其余都设置为负样本，来进行训练。为了增强效果，作者增加了Multi positives和SimOTA两种策略：
① Multi positives：中心3*3区域认为正样本，gt从1个增长到9个。
② SimOTA：解决一个特征图上的点，到底归属于哪一个GT的问题。OTA是这个问题的最优化解法。作者为了训练效率，这在里使用了近似最优解。
（3）数据增强：
利用了Mosaic、MixUp、RandomHorizontalFlip,、ColorJitter等数据增强方法，并在最后15个epoch关闭Mosaic、MixUp数据增强，来达到最优的训练效果。
2，模型效果
YOLOX算法，与之前的SOTA算法在COCO数据集上的测试结果比较：
相比传统的YOLOV3、YOLOV5等算法，YOLOX在COCO数据集上有更好的检测准确率，同时无论是模型参数还是推理速度都有优势。
