结果

对于YOLO-Nano，所提方法仅需0.91M参数+1.08G FLOPs取得了25.3%AP指标，以1.8%超越了NanoDet。

方法

网络设计

YOLOv3+DarkNet53+SPP+Decoupled Head（解耦分类与回归任务）+IoU-aware分支（预测IoU置信度）

Decoupled Head

两个任务的梯度值和方向不一致；分类置信度和定位置信度也不匹配，因而需要解耦检测头和分类头。

损失

IoU损失（回归分支使用）+BCE Loss（分类分支和IoU-aware分支使用）

训练Tricks

EMA权值更新+cosine学习率

数据增广

从头开始训练，输入尺寸从448以步长32均匀变化到832，RandomHorizontalFlip，ColorJitter以及多尺度，不使用RandomResizedCrop，同样使用Mosaic与Mixup。MixUp可以帮助YOLOX-L取得0.9%AP指标提升，但会弱化YOLOX-Nano的性能

Anchor free

参考FCOS，每个位置产生一个预测框，并且直接预测四个值：即两个offset以及高宽。将每个目标的中心（3x3大小的区域，称之为multi positives）定义为正样本并预定义一个尺度范围以便于对每个目标分配FPN层级。

SimOTA

label assignment，参考OTA，为了降低计算量，将其简化为：选择对应某GT损失最小（分类回归加权）的top-k网格区域作为正样本，其余作为负样本，k是对应着GT动态变化的。

上述改进的效果：

消融实验

为公平对比，采用了YOLOv5的骨干，包含CSPNet、SiLU激活以及PAN头。采用其缩放规则得到了YOLOX-S、YOLOX-M、YOLOX-L以及YOLOX-X等模型。对比结果如下：

效果对比 轻量级模型对比