YOLOX可视化训练工具（webyolox）_yolo训练工具

2021年旷视研究院推出的YOLOX算法性能相当可以，给的源码条理也非常清晰，嵌入式部署也非常方便，但无论如何，训练的时候部署数据集还有相应环境等还是很费时间的，所以做了个网页端管理界面，能够帮你节省很多时间。

项目地址在此给出：webyolox项目地址

项目详细使用方法视频介绍：[Bilibili]webyolox: 极简风格可视化网页，轻松搞定YOLOX的训练部署过程！

如果想快速开始，在装好pytorch相关环境（torch、torchvision、torchaudio[可选]）的情况下，只需要在命令行输入以下命令即可

Linux命令行

sudo apt install screen
git clone https://github.com/LSH9832/webyolox
cd webyolox
pip3 install -r requirements.txt
python3 main.py -p 8080 --debug

Windows CMD

git clone https://github.com/LSH9832/webyolox
cd webyolox
pip install -r requirements.txt
python main.py -p 8080 --debug

然后打开浏览器，输入地址 

127.0.0.1:8080

回车

输入用户名和密码，初始都是admin

 登录后界面是这样，当然刚开始没有任何训练配置，点击创建新的训练配置即可

 为你的这次训练配置起个名字，并输入数据集的绝对目录地址。

 注意：目前只支持COCO格式的数据集，也就是在数据集的主目录下，文件夹annotations（注意文件夹的名字一定是annotations）里放json标签文件，然后其他文件夹分别放训练集图片和验证集图片（文件夹名字不限，两个集合的图片所在文件夹可以相同）。与此同时，数据集主目录下一定要放一个类别文件，并命名为classes.txt，每行写好类别的名称，中间和结尾不要有空行（格式见./yolox/coco_classes.txt） 附上COCO2017数据集下载地址

训练集图像（18G）
验证集图像（1G）
测试集图像（6G）
训练集/验证集标签（241M）

想要使用预训练模型文件开始训练的同学请到 yolox原项目 里面下载，这里给出链接。
yolox_s.pth
yolox_m.pth
yolox_l.pth
yolox_x.pth
yolox_tiny.pth
yolox_nano.pth

如果使用的是非COCO数据集，类别不是80个，训练开始时只能导入backbone，则到本项目的release里下载backbone权重文件 点此进入 。然后将下载好的权重文件放入文件夹weight下。

然后就开始基本的配置了。

按照自己的需求和硬件条件自己填就好了，然后点提交，就保存成功并回到主界面了。

点击修改超参数进入如下界面

 如果想每个epoch训练完后都进行验证集的验证，把最后的验证间隔由10改成1就行了，点击提交回到主界面。

点击开始训练即可，这时该配置列表上会显示“查看训练日志”。

由于启动需要一段时间，大概等待10秒点击查看训练日志，日志会不断更新，等开始第一个epoch的训练后，就能点进详情里去看了，效果也就是本文的第一张图，可以随时下载或删除相应的训练的权重模型。

需要注意的几点

1. 设置训练配置的时候，batch_size一定要是你所要使用的GPU个数的整数倍！！不然会报错！！

2. 若要使用预训练模型，只需填写“./weight/XXX_backbone.pth”即可。然后生成了完整的模型文件后，如果断点继续训练，则填写“./settings/训练名称/output/last.pth”

3. 如果训练的时候loss是0或者是NaN, 很大概率是以下两种情况！！！！

3.1 CUDA版本装高了

重新装CUDA，20系及以下显卡装CUDA10.2就可以了，不需要装11.X的版本的！！！！

3.2 数据集的json标签文件格式错误

网上有很多其他格式转COCO格式的代码，但是相当一部分的代码转换格式是错的，会把里面的图片id或目标id变成字符串，但是正确的COCO格式标签中，这些ID必须是整形格式而不是字符串，如果想保证自己的COCO格式是对的，请先将你的数据集转为VOC格式（VOC格式要求没那么严格），然后使用我的另一个项目中的VOC转COCO格式的功能进行转换，下面贴出项目地址

bounding box标注工具CoLabel, 支持多人同时标注

 这个项目需要安装PyQT5或者PySide2, 其他直接按照requirements.txt中的要求装就行

然后输入

python LabelConverter.py

即可使用，该填啥填啥就行。

训练完的模型能够直接用于yolox原项目，但是点击页面中的“下载测试代码”，使用里面的代码，不论是用于测试还是部署到其他项目中结合都会更方便。

---------------2022.10.6----------------先更到这。