[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Megvii-BaseDetection--YOLOX":3,"tool-Megvii-BaseDetection--YOLOX":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":78,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":110,"github_topics":111,"view_count":123,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":124,"updated_at":125,"faqs":126,"releases":156},1162,"Megvii-BaseDetection\u002FYOLOX","YOLOX","YOLOX is a high-performance anchor-free YOLO, exceeding yolov3~v5 with MegEngine, ONNX, TensorRT, ncnn, and OpenVINO supported. Documentation: https:\u002F\u002Fyolox.readthedocs.io\u002F","YOLOX 是一个高性能的无锚框目标检测工具，基于 YOLO 系列改进而来，性能超越 YOLOv3 到 YOLOv5。它简化了设计，提升了检测精度和速度，支持多种部署框架如 MegEngine、ONNX、TensorRT 等。YOLOX 旨在连接研究与工业应用之间的差距，提供高效的模型训练和推理能力。适合开发者和研究人员使用，尤其适用于需要快速部署和高精度检测的场景。其技术亮点包括无锚框设计、训练加速以及多平台支持，使模型更易用且高效。","\u003Cdiv align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMegvii-BaseDetection_YOLOX_readme_22087ad6683a.png\" width=\"350\">\u003C\u002Fdiv>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMegvii-BaseDetection_YOLOX_readme_e8312f42f50f.png\" >\n\n## Introduction\nYOLOX is an anchor-free version of YOLO, with a simpler design but better performance! It aims to bridge the gap between research and industrial communities.\nFor more details, please refer to our [report on Arxiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.08430).\n\nThis repo is an implementation of PyTorch version YOLOX, there is also a [MegEngine implementation](https:\u002F\u002Fgithub.com\u002FMegEngine\u002FYOLOX).\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMegvii-BaseDetection_YOLOX_readme_0bba6d6c8d1b.png\" width=\"1000\" >\n\n## Updates!!\n* 【2023\u002F02\u002F28】 We support assignment visualization tool, see doc [here](.\u002Fdocs\u002Fassignment_visualization.md).\n* 【2022\u002F04\u002F14】 We support jit compile op.\n* 【2021\u002F08\u002F19】 We optimize the training process with **2x** faster training and **~1%** higher performance! See [notes](docs\u002Fupdates_note.md) for more details.\n* 【2021\u002F08\u002F05】 We release [MegEngine version YOLOX](https:\u002F\u002Fgithub.com\u002FMegEngine\u002FYOLOX).\n* 【2021\u002F07\u002F28】 We fix the fatal error of [memory leak](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F103)\n* 【2021\u002F07\u002F26】 We now support [MegEngine](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Ftree\u002Fmain\u002Fdemo\u002FMegEngine) deployment.\n* 【2021\u002F07\u002F20】 We have released our technical report on [Arxiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.08430).\n\n## Benchmark\n\n#### Standard Models.\n\n|Model |size |mAP\u003Csup>val\u003Cbr>0.5:0.95 |mAP\u003Csup>test\u003Cbr>0.5:0.95 | Speed V100\u003Cbr>(ms) | Params\u003Cbr>(M) |FLOPs\u003Cbr>(G)| weights |\n| ------        |:---: | :---:    | :---:       |:---:     |:---:  | :---: | :----: |\n|[YOLOX-s](.\u002Fexps\u002Fdefault\u002Fyolox_s.py)    |640  |40.5 |40.5      |9.8      |9.0 | 26.8 | [github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_s.pth) |\n|[YOLOX-m](.\u002Fexps\u002Fdefault\u002Fyolox_m.py)    |640  |46.9 |47.2      |12.3     |25.3 |73.8| [github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_m.pth) |\n|[YOLOX-l](.\u002Fexps\u002Fdefault\u002Fyolox_l.py)    |640  |49.7 |50.1      |14.5     |54.2| 155.6 | [github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_l.pth) |\n|[YOLOX-x](.\u002Fexps\u002Fdefault\u002Fyolox_x.py)   |640   |51.1 |**51.5**  | 17.3    |99.1 |281.9 | [github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_x.pth) |\n|[YOLOX-Darknet53](.\u002Fexps\u002Fdefault\u002Fyolov3.py)   |640  | 47.7 | 48.0 | 11.1 |63.7 | 185.3 | [github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_darknet.pth) |\n\n\u003Cdetails>\n\u003Csummary>Legacy models\u003C\u002Fsummary>\n\n|Model |size |mAP\u003Csup>test\u003Cbr>0.5:0.95 | Speed V100\u003Cbr>(ms) | Params\u003Cbr>(M) |FLOPs\u003Cbr>(G)| weights |\n| ------        |:---: | :---:       |:---:     |:---:  | :---: | :----: |\n|[YOLOX-s](.\u002Fexps\u002Fdefault\u002Fyolox_s.py)    |640  |39.6      |9.8     |9.0 | 26.8 | [onedrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FEW62gmO2vnNNs5npxjzunVwB9p307qqygaCkXdTO88BLUg?e=NMTQYw)\u002F[github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_s.pth) |\n|[YOLOX-m](.\u002Fexps\u002Fdefault\u002Fyolox_m.py)    |640  |46.4      |12.3     |25.3 |73.8| [onedrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FERMTP7VFqrVBrXKMU7Vl4TcBQs0SUeCT7kvc-JdIbej4tQ?e=1MDo9y)\u002F[github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_m.pth) |\n|[YOLOX-l](.\u002Fexps\u002Fdefault\u002Fyolox_l.py)    |640  |50.0  |14.5 |54.2| 155.6 | [onedrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FEWA8w_IEOzBKvuueBqfaZh0BeoG5sVzR-XYbOJO4YlOkRw?e=wHWOBE)\u002F[github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_l.pth) |\n|[YOLOX-x](.\u002Fexps\u002Fdefault\u002Fyolox_x.py)   |640  |**51.2**      | 17.3 |99.1 |281.9 | [onedrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FEdgVPHBziOVBtGAXHfeHI5kBza0q9yyueMGdT0wXZfI1rQ?e=tABO5u)\u002F[github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_x.pth) |\n|[YOLOX-Darknet53](.\u002Fexps\u002Fdefault\u002Fyolov3.py)   |640  | 47.4      | 11.1 |63.7 | 185.3 | [onedrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FEZ-MV1r_fMFPkPrNjvbJEMoBLOLAnXH-XKEB77w8LhXL6Q?e=mf6wOc)\u002F[github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_darknet53.pth) |\n\n\u003C\u002Fdetails>\n\n#### Light Models.\n\n|Model |size |mAP\u003Csup>val\u003Cbr>0.5:0.95 | Params\u003Cbr>(M) |FLOPs\u003Cbr>(G)| weights |\n| ------        |:---:  |  :---:       |:---:     |:---:  | :---: |\n|[YOLOX-Nano](.\u002Fexps\u002Fdefault\u002Fyolox_nano.py) |416  |25.8  | 0.91 |1.08 | [github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_nano.pth) |\n|[YOLOX-Tiny](.\u002Fexps\u002Fdefault\u002Fyolox_tiny.py) |416  |32.8 | 5.06 |6.45 | [github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_tiny.pth) |\n\n\n\u003Cdetails>\n\u003Csummary>Legacy models\u003C\u002Fsummary>\n\n|Model |size |mAP\u003Csup>val\u003Cbr>0.5:0.95 | Params\u003Cbr>(M) |FLOPs\u003Cbr>(G)| weights |\n| ------        |:---:  |  :---:       |:---:     |:---:  | :---: |\n|[YOLOX-Nano](.\u002Fexps\u002Fdefault\u002Fyolox_nano.py) |416  |25.3  | 0.91 |1.08 | [github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_nano.pth) |\n|[YOLOX-Tiny](.\u002Fexps\u002Fdefault\u002Fyolox_tiny.py) |416  |32.8 | 5.06 |6.45 | [github](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_tiny_32dot8.pth) |\n\n\u003C\u002Fdetails>\n\n## Quick Start\n\n\u003Cdetails>\n\u003Csummary>Installation\u003C\u002Fsummary>\n\nStep1. Install YOLOX from source.\n```shell\ngit clone git@github.com:Megvii-BaseDetection\u002FYOLOX.git\ncd YOLOX\npip3 install -v -e .  # or  python3 setup.py develop\n```\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>Demo\u003C\u002Fsummary>\n\nStep1. Download a pretrained model from the benchmark table.\n\nStep2. Use either -n or -f to specify your detector's config. For example:\n\n```shell\npython tools\u002Fdemo.py image -n yolox-s -c \u002Fpath\u002Fto\u002Fyour\u002Fyolox_s.pth --path assets\u002Fdog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu\u002Fgpu]\n```\nor\n```shell\npython tools\u002Fdemo.py image -f exps\u002Fdefault\u002Fyolox_s.py -c \u002Fpath\u002Fto\u002Fyour\u002Fyolox_s.pth --path assets\u002Fdog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu\u002Fgpu]\n```\nDemo for video:\n```shell\npython tools\u002Fdemo.py video -n yolox-s -c \u002Fpath\u002Fto\u002Fyour\u002Fyolox_s.pth --path \u002Fpath\u002Fto\u002Fyour\u002Fvideo --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu\u002Fgpu]\n```\n\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>Reproduce our results on COCO\u003C\u002Fsummary>\n\nStep1. Prepare COCO dataset\n```shell\ncd \u003CYOLOX_HOME>\nln -s \u002Fpath\u002Fto\u002Fyour\u002FCOCO .\u002Fdatasets\u002FCOCO\n```\n\nStep2. Reproduce our results on COCO by specifying -n:\n\n```shell\npython -m yolox.tools.train -n yolox-s -d 8 -b 64 --fp16 -o [--cache]\n                               yolox-m\n                               yolox-l\n                               yolox-x\n```\n* -d: number of gpu devices\n* -b: total batch size, the recommended number for -b is num-gpu * 8\n* --fp16: mixed precision training\n* --cache: caching imgs into RAM to accelarate training, which need large system RAM.\n\n\n\nWhen using -f, the above commands are equivalent to:\n```shell\npython -m yolox.tools.train -f exps\u002Fdefault\u002Fyolox_s.py -d 8 -b 64 --fp16 -o [--cache]\n                               exps\u002Fdefault\u002Fyolox_m.py\n                               exps\u002Fdefault\u002Fyolox_l.py\n                               exps\u002Fdefault\u002Fyolox_x.py\n```\n\n**Multi Machine Training**\n\nWe also support multi-nodes training. Just add the following args:\n* --num\\_machines: num of your total training nodes\n* --machine\\_rank: specify the rank of each node\n\nSuppose you want to train YOLOX on 2 machines, and your master machines's IP is 123.123.123.123, use port 12312 and TCP.\n\nOn master machine, run\n```shell\npython tools\u002Ftrain.py -n yolox-s -b 128 --dist-url tcp:\u002F\u002F123.123.123.123:12312 --num_machines 2 --machine_rank 0\n```\nOn the second machine, run\n```shell\npython tools\u002Ftrain.py -n yolox-s -b 128 --dist-url tcp:\u002F\u002F123.123.123.123:12312 --num_machines 2 --machine_rank 1\n```\n\n**Logging to Weights & Biases**\n\nTo log metrics, predictions and model checkpoints to [W&B](https:\u002F\u002Fdocs.wandb.ai\u002Fguides\u002Fintegrations\u002Fother\u002Fyolox) use the command line argument `--logger wandb` and use the prefix \"wandb-\" to specify arguments for initializing the wandb run.\n\n```shell\npython tools\u002Ftrain.py -n yolox-s -d 8 -b 64 --fp16 -o [--cache] --logger wandb wandb-project \u003Cproject name>\n                         yolox-m\n                         yolox-l\n                         yolox-x\n```\n\nAn example wandb dashboard is available [here](https:\u002F\u002Fwandb.ai\u002Fmanan-goel\u002Fyolox-nano\u002Fruns\u002F3pzfeom0)\n\n**Others**\n\nSee more information with the following command:\n```shell\npython -m yolox.tools.train --help\n```\n\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\u003Csummary>Evaluation\u003C\u002Fsummary>\n\nWe support batch testing for fast evaluation:\n\n```shell\npython -m yolox.tools.eval -n  yolox-s -c yolox_s.pth -b 64 -d 8 --conf 0.001 [--fp16] [--fuse]\n                               yolox-m\n                               yolox-l\n                               yolox-x\n```\n* --fuse: fuse conv and bn\n* -d: number of GPUs used for evaluation. DEFAULT: All GPUs available will be used.\n* -b: total batch size across on all GPUs\n\nTo reproduce speed test, we use the following command:\n```shell\npython -m yolox.tools.eval -n  yolox-s -c yolox_s.pth -b 1 -d 1 --conf 0.001 --fp16 --fuse\n                               yolox-m\n                               yolox-l\n                               yolox-x\n```\n\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\u003Csummary>Tutorials\u003C\u002Fsummary>\n\n*  [Training on custom data](docs\u002Ftrain_custom_data.md)\n*  [Caching for custom data](docs\u002Fcache.md)\n*  [Manipulating training image size](docs\u002Fmanipulate_training_image_size.md)\n*  [Assignment visualization](docs\u002Fassignment_visualization.md)\n*  [Freezing model](docs\u002Ffreeze_module.md)\n\n\u003C\u002Fdetails>\n\n## Deployment\n\n\n1. [MegEngine in C++ and Python](.\u002Fdemo\u002FMegEngine)\n2. [ONNX export and an ONNXRuntime](.\u002Fdemo\u002FONNXRuntime)\n3. [TensorRT in C++ and Python](.\u002Fdemo\u002FTensorRT)\n4. [ncnn in C++ and Java](.\u002Fdemo\u002Fncnn)\n5. [OpenVINO in C++ and Python](.\u002Fdemo\u002FOpenVINO)\n6. [Accelerate YOLOX inference with nebullvm in Python](.\u002Fdemo\u002Fnebullvm)\n\n## Third-party resources\n* YOLOX for streaming perception: [StreamYOLO (CVPR 2022 Oral)](https:\u002F\u002Fgithub.com\u002Fyancie-yjr\u002FStreamYOLO)\n* The YOLOX-s and YOLOX-nano are Integrated into [ModelScope](https:\u002F\u002Fwww.modelscope.cn\u002Fhome). Try out the Online Demo at [YOLOX-s](https:\u002F\u002Fwww.modelscope.cn\u002Fmodels\u002Fdamo\u002Fcv_cspnet_image-object-detection_yolox\u002Fsummary) and [YOLOX-Nano](https:\u002F\u002Fwww.modelscope.cn\u002Fmodels\u002Fdamo\u002Fcv_cspnet_image-object-detection_yolox_nano_coco\u002Fsummary) respectively 🚀.\n* Integrated into [Huggingface Spaces 🤗](https:\u002F\u002Fhuggingface.co\u002Fspaces) using [Gradio](https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio). Try out the Web Demo: [![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FSultannn\u002FYOLOX-Demo)\n* The ncnn android app with video support: [ncnn-android-yolox](https:\u002F\u002Fgithub.com\u002FFeiGeChuanShu\u002Fncnn-android-yolox) from [FeiGeChuanShu](https:\u002F\u002Fgithub.com\u002FFeiGeChuanShu)\n* YOLOX with Tengine support: [Tengine](https:\u002F\u002Fgithub.com\u002FOAID\u002FTengine\u002Fblob\u002Ftengine-lite\u002Fexamples\u002Ftm_yolox.cpp) from [BUG1989](https:\u002F\u002Fgithub.com\u002FBUG1989)\n* YOLOX + ROS2 Foxy: [YOLOX-ROS](https:\u002F\u002Fgithub.com\u002FAr-Ray-code\u002FYOLOX-ROS) from [Ar-Ray](https:\u002F\u002Fgithub.com\u002FAr-Ray-code)\n* YOLOX Deploy DeepStream: [YOLOX-deepstream](https:\u002F\u002Fgithub.com\u002Fnanmi\u002FYOLOX-deepstream) from [nanmi](https:\u002F\u002Fgithub.com\u002Fnanmi)\n* YOLOX MNN\u002FTNN\u002FONNXRuntime: [YOLOX-MNN](https:\u002F\u002Fgithub.com\u002FDefTruth\u002Flite.ai.toolkit\u002Fblob\u002Fmain\u002Flite\u002Fmnn\u002Fcv\u002Fmnn_yolox.cpp)、[YOLOX-TNN](https:\u002F\u002Fgithub.com\u002FDefTruth\u002Flite.ai.toolkit\u002Fblob\u002Fmain\u002Flite\u002Ftnn\u002Fcv\u002Ftnn_yolox.cpp) and [YOLOX-ONNXRuntime C++](https:\u002F\u002Fgithub.com\u002FDefTruth\u002Flite.ai.toolkit\u002Fblob\u002Fmain\u002Flite\u002Fort\u002Fcv\u002Fyolox.cpp) from [DefTruth](https:\u002F\u002Fgithub.com\u002FDefTruth)\n* Converting darknet or yolov5 datasets to COCO format for YOLOX: [YOLO2COCO](https:\u002F\u002Fgithub.com\u002FRapidAI\u002FYOLO2COCO) from [Daniel](https:\u002F\u002Fgithub.com\u002Fznsoftm)\n\n## Cite YOLOX\nIf you use YOLOX in your research, please cite our work by using the following BibTeX entry:\n\n```latex\n @article{yolox2021,\n  title={YOLOX: Exceeding YOLO Series in 2021},\n  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},\n  journal={arXiv preprint arXiv:2107.08430},\n  year={2021}\n}\n```\n## In memory of Dr. Jian Sun\nWithout the guidance of [Dr. Jian Sun](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=ALVSZAYAAAAJ), YOLOX would not have been released and open sourced to the community.\nThe passing away of Dr. Sun is a huge loss to the Computer Vision field. We add this section here to express our remembrance and condolences to our captain Dr. Sun.\nIt is hoped that every AI practitioner in the world will stick to the belief of \"continuous innovation to expand cognitive boundaries, and extraordinary technology to achieve product value\" and move forward all the way.\n\n\u003Cdiv align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMegvii-BaseDetection_YOLOX_readme_8d26ec897bdf.png\" width=\"200\">\u003C\u002Fdiv>\n没有孙剑博士的指导，YOLOX也不会问世并开源给社区使用。\n孙剑博士的离去是CV领域的一大损失，我们在此特别添加了这个部分来表达对我们的“船长”孙老师的纪念和哀思。\n希望世界上的每个AI从业者秉持着“持续创新拓展认知边界，非凡科技成就产品价值”的观念，一路向前。\n","\u003Cdiv align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMegvii-BaseDetection_YOLOX_readme_22087ad6683a.png\" width=\"350\">\u003C\u002Fdiv>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMegvii-BaseDetection_YOLOX_readme_e8312f42f50f.png\" >\n\n## 简介\nYOLOX 是 YOLO 的无锚点版本，设计更简洁，性能却更优！它旨在弥合学术界与工业界之间的差距。\n更多详情请参阅我们在 Arxiv 上的报告：[arxiv.org\u002Fabs\u002F2107.08430](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.08430)。\n\n本仓库是 YOLOX 的 PyTorch 实现版本，同时也有 [MegEngine 实现](https:\u002F\u002Fgithub.com\u002FMegEngine\u002FYOLOX)。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMegvii-BaseDetection_YOLOX_readme_0bba6d6c8d1b.png\" width=\"1000\" >\n\n## 更新！！\n* 【2023\u002F02\u002F28】 我们支持分配可视化工具，详情请见文档 [这里](.\u002Fdocs\u002Fassignment_visualization.md)。\n* 【2022\u002F04\u002F14】 我们支持 JIT 编译算子。\n* 【2021\u002F08\u002F19】 我们优化了训练流程，使训练速度提升 **2 倍**，性能提高约 **1%**！更多细节请参阅 [更新说明](docs\u002Fupdates_note.md)。\n* 【2021\u002F08\u002F05】 我们发布了 [MegEngine 版 YOLOX](https:\u002F\u002Fgithub.com\u002FMegEngine\u002FYOLOX)。\n* 【2021\u002F07\u002F28】 我们修复了 [内存泄漏](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F103) 的严重问题。\n* 【2021\u002F07\u002F26】 我们现在支持 [MegEngine](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Ftree\u002Fmain\u002Fdemo\u002FMegEngine) 部署。\n* 【2021\u002F07\u002F20】 我们已在 [Arxiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.08430) 上发布了技术报告。\n\n## 基准测试\n\n#### 标准模型。\n\n|模型 |尺寸 |mAP\u003Csup>val\u003Cbr>0.5:0.95 |mAP\u003Csup>test\u003Cbr>0.5:0.95 | V100 下速度 (ms) | 参数量 (M) | FLOPs (G)| 权重 |\n| ------        |:---: | :---:    | :---:       |:---:     |:---:  | :---: | :----: |\n|[YOLOX-s](.\u002Fexps\u002Fdefault\u002Fyolox_s.py)    |640  |40.5 |40.5      |9.8      |9.0 | 26.8 | [GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_s.pth) |\n|[YOLOX-m](.\u002Fexps\u002Fdefault\u002Fyolox_m.py)    |640  |46.9 |47.2      |12.3     |25.3 |73.8| [GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_m.pth) |\n|[YOLOX-l](.\u002Fexps\u002Fdefault\u002Fyolox_l.py)    |640  |49.7 |50.1      |14.5     |54.2| 155.6 | [GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_l.pth) |\n|[YOLOX-x](.\u002Fexps\u002Fdefault\u002Fyolox_x.py)   |640   |51.1 |**51.5**  | 17.3    |99.1 |281.9 | [GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_x.pth) |\n|[YOLOX-Darknet53](.\u002Fexps\u002Fdefault\u002Fyolov3.py)   |640  | 47.7 | 48.0 | 11.1 |63.7 | 185.3 | [GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_darknet.pth) |\n\n\u003Cdetails>\n\u003Csummary>旧版模型\u003C\u002Fsummary>\n\n|模型 |尺寸 |mAP\u003Csup>test\u003Cbr>0.5:0.95 | V100 下速度 (ms) | 参数量 (M) |FLOPs (G)| 权重 |\n| ------        |:---: | :---:       |:---:     |:---:  | :---: | :----: |\n|[YOLOX-s](.\u002Fexps\u002Fdefault\u002Fyolox_s.py)    |640  |39.6      |9.8     |9.0 | 26.8 | [OneDrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FEW62gmO2vnNNs5npxjzunVwB9p307qqygaCkXdTO88BLUg?e=NMTQYw)\u002F[GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_s.pth) |\n|[YOLOX-m](.\u002Fexps\u002Fdefault\u002Fyolox_m.py)    |640  |46.4      |12.3     |25.3 |73.8| [OneDrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FERMTP7VFqrVBrXKMU7Vl4TcBQs0SUeCT7kvc-JdIbej4YlOkRw?e=1MDo9y)\u002F[GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_m.pth) |\n|[YOLOX-l](.\u002Fexps\u002Fdefault\u002Fyolox_l.py)    |640  |50.0  |14.5 |54.2| 155.6 | [OneDrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FEWA8w_IEOzBKvuueBqfaZh0BeoG5sVzR-XYbOJO4YlOkRw?e=wHWOBE)\u002F[GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_l.pth) |\n|[YOLOX-x](.\u002Fexps\u002Fdefault\u002Fyolox_x.py)   |640  |**51.2**      | 17.3 |99.1 |281.9 | [OneDrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FEdgVPHBziOVBtGAXHfeHI5kBza0q9yyueMGdT0wXZfI1rQ?e=tABO5u)\u002F[GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_x.pth) |\n|[YOLOX-Darknet53](.\u002Fexps\u002Fdefault\u002Fyolov3.py)   |640  | 47.4      | 11.1 |63.7 | 185.3 | [OneDrive](https:\u002F\u002Fmegvii-my.sharepoint.cn\u002F:u:\u002Fg\u002Fpersonal\u002Fgezheng_megvii_com\u002FEZ-MV1r_fMFPkPrNjvbJEMoBLOLAnXH-XKEB77w8LhXL6Q?e=mf6wOc)\u002F[GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_darknet53.pth) |\n\n\u003C\u002Fdetails>\n\n#### 轻量级模型。\n\n|模型 |尺寸 |mAP\u003Csup>val\u003Cbr>0.5:0.95 | 参数量 (M) |FLOPs (G)| 权重 |\n| ------        |:---:  |  :---:       |:---:     |:---:  | :---: |\n|[YOLOX-Nano](.\u002Fexps\u002Fdefault\u002Fyolox_nano.py) |416  |25.8  | 0.91 |1.08 | [GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_nano.pth) |\n|[YOLOX-Tiny](.\u002Fexps\u002Fdefault\u002Fyolox_tiny.py) |416  |32.8 | 5.06 |6.45 | [GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Freleases\u002Fdownload\u002F0.1.1rc0\u002Fyolox_tiny.pth) |\n\n\n\u003Cdetails>\n\u003Csummary>旧版模型\u003C\u002Fsummary>\n\n|模型 |尺寸 |mAP\u003Csup>val\u003Cbr>0.5:0.95 | 参数量 (M) |FLOPs (G)| 权重 |\n| ------        |:---:  |  :---:       |:---:     |:---:  | :---: |\n|[YOLOX-Nano](.\u002Fexps\u002Fdefault\u002Fyolox_nano.py) |416  |25.3  | 0.91 |1.08 | [GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_nano.pth) |\n|[YOLOX-Tiny](.\u002Fexps\u002Fdefault\u002Fyolox_tiny.py) |416  |32.8 | 5.06 |6.45 | [GitHub](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002Fstorage\u002Freleases\u002Fdownload\u002F0.0.1\u002Fyolox_tiny_32dot8.pth) |\n\n\u003C\u002Fdetails>\n\n## 快速入门\n\n\u003Cdetails>\n\u003Csummary>安装\u003C\u002Fsummary>\n\n步骤1. 从源代码安装 YOLOX。\n```shell\ngit clone git@github.com:Megvii-BaseDetection\u002FYOLOX.git\ncd YOLOX\npip3 install -v -e .  # 或者 python3 setup.py develop\n```\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>演示\u003C\u002Fsummary>\n\n步骤1. 从基准测试表格中下载一个预训练模型。\n\n步骤2. 使用 `-n` 或 `-f` 来指定你的检测器配置文件。例如：\n\n```shell\npython tools\u002Fdemo.py image -n yolox-s -c \u002Fpath\u002Fto\u002Fyour\u002Fyolox_s.pth --path assets\u002Fdog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu\u002Fgpu]\n```\n或者\n```shell\npython tools\u002Fdemo.py image -f exps\u002Fdefault\u002Fyolox_s.py -c \u002Fpath\u002Fto\u002Fyour\u002Fyolox_s.pth --path assets\u002Fdog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu\u002Fgpu]\n```\n视频演示：\n```shell\npython tools\u002Fdemo.py video -n yolox-s -c \u002Fpath\u002Fto\u002Fyour\u002Fyolox_s.pth --path \u002Fpath\u002Fto\u002Fyour\u002Fvideo --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu\u002Fgpu]\n```\n\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>在 COCO 数据集上复现我们的结果\u003C\u002Fsummary>\n\n步骤1. 准备 COCO 数据集\n```shell\ncd \u003CYOLOX_HOME>\nln -s \u002Fpath\u002Fto\u002Fyour\u002FCOCO .\u002Fdatasets\u002FCOCO\n```\n\n步骤2. 通过指定 `-n` 来复现我们在 COCO 上的结果：\n\n```shell\npython -m yolox.tools.train -n yolox-s -d 8 -b 64 --fp16 -o [--cache]\n                               yolox-m\n                               yolox-l\n                               yolox-x\n```\n* `-d`: GPU 设备的数量\n* `-b`: 总批量大小，推荐值为 `num-gpu * 8`\n* `--fp16`: 混合精度训练\n* `--cache`: 将图像缓存到内存中以加速训练，这需要较大的系统内存。\n\n\n\n当使用 `-f` 时，上述命令等价于：\n```shell\npython -m yolox.tools.train -f exps\u002Fdefault\u002Fyolox_s.py -d 8 -b 64 --fp16 -o [--cache]\n                               exps\u002Fdefault\u002Fyolox_m.py\n                               exps\u002Fdefault\u002Fyolox_l.py\n                               exps\u002Fdefault\u002Fyolox_x.py\n```\n\n**多机训练**\n\n我们还支持多节点训练。只需添加以下参数：\n* `--num_machines`: 总训练节点数\n* `--machine_rank`: 指定每个节点的排名\n\n假设你想在 2 台机器上训练 YOLOX，主节点的 IP 地址是 123.123.123.123，使用端口 12312 和 TCP 协议。\n\n在主节点上运行：\n```shell\npython tools\u002Ftrain.py -n yolox-s -b 128 --dist-url tcp:\u002F\u002F123.123.123.123:12312 --num_machines 2 --machine_rank 0\n```\n在第二台机器上运行：\n```shell\npython tools\u002Ftrain.py -n yolox-s -b 128 --dist-url tcp:\u002F\u002F123.123.123.123:12312 --num_machines 2 --machine_rank 1\n```\n\n**日志记录到 Weights & Biases**\n\n要将指标、预测和模型检查点记录到 [W&B](https:\u002F\u002Fdocs.wandb.ai\u002Fguides\u002Fintegrations\u002Fother\u002Fyolox)，请使用命令行参数 `--logger wandb`，并使用前缀 `wandb-` 来指定初始化 W&B 运行的参数。\n\n```shell\npython tools\u002Ftrain.py -n yolox-s -d 8 -b 64 --fp16 -o [--cache] --logger wandb wandb-project \u003Cproject name>\n                         yolox-m\n                         yolox-l\n                         yolox-x\n```\n\n一个示例 W&B 仪表板可以在这里找到：[这里](https:\u002F\u002Fwandb.ai\u002Fmanan-goel\u002Fyolox-nano\u002Fruns\u002F3pzfeom0)\n\n**其他**\n\n更多信息可以通过以下命令查看：\n```shell\npython -m yolox.tools.train --help\n```\n\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\u003Csummary>评估\u003C\u002Fsummary>\n\n我们支持批量测试以进行快速评估：\n\n```shell\npython -m yolox.tools.eval -n  yolox-s -c yolox_s.pth -b 64 -d 8 --conf 0.001 [--fp16] [--fuse]\n                               yolox-m\n                               yolox-l\n                               yolox-x\n```\n* `--fuse`: 合并卷积和批归一化层\n* `-d`: 用于评估的 GPU 数量。默认：将使用所有可用的 GPU。\n* `-b`: 所有 GPU 上的总批量大小\n\n为了复现速度测试，我们使用以下命令：\n```shell\npython -m yolox.tools.eval -n  yolox-s -c yolox_s.pth -b 1 -d 1 --conf 0.001 --fp16 --fuse\n                               yolox-m\n                               yolox-l\n                               yolox-x\n```\n\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\u003Csummary>教程\u003C\u002Fsummary>\n\n*  [自定义数据集训练](docs\u002Ftrain_custom_data.md)\n*  [自定义数据集的缓存](docs\u002Fcache.md)\n*  [调整训练图像尺寸](docs\u002Fmanipulate_training_image_size.md)\n*  [分配可视化](docs\u002Fassignment_visualization.md)\n*  [冻结模型](docs\u002Ffreeze_module.md)\n\n\u003C\u002Fdetails>\n\n## 部署\n\n\n1. [MegEngine 在 C++ 和 Python 中的应用](.\u002Fdemo\u002FMegEngine)\n2. [ONNX 导出及 ONNXRuntime](.\u002Fdemo\u002FONNXRuntime)\n3. [TensorRT 在 C++ 和 Python 中的应用](.\u002Fdemo\u002FTensorRT)\n4. [ncnn 在 C++ 和 Java 中的应用](.\u002Fdemo\u002Fncnn)\n5. [OpenVINO 在 C++ 和 Python 中的应用](.\u002Fdemo\u002FOpenVINO)\n6. [使用 nebullvm 在 Python 中加速 YOLOX 推理](.\u002Fdemo\u002Fnebullvm)\n\n## 第三方资源\n* YOLOX 用于流式感知：[StreamYOLO (CVPR 2022 Oral)](https:\u002F\u002Fgithub.com\u002Fyancie-yjr\u002FStreamYOLO)\n* YOLOX-s 和 YOLOX-nano 已集成到 [ModelScope](https:\u002F\u002Fwww.modelscope.cn\u002Fhome)。分别在 [YOLOX-s](https:\u002F\u002Fwww.modelscope.cn\u002Fmodels\u002Fdamo\u002Fcv_cspnet_image-object-detection_yolox\u002Fsummary) 和 [YOLOX-Nano](https:\u002F\u002Fwww.modelscope.cn\u002Fmodels\u002Fdamo\u002Fcv_cspnet_image-object-detection_yolox_nano_coco\u002Fsummary) 上试用在线演示 🚀。\n* 使用 [Gradio](https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio) 集成到 [Huggingface Spaces 🤗](https:\u002F\u002Fhuggingface.co\u002Fspaces)。试用网页演示：[![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FSultannn\u002FYOLOX-Demo)\n* 带有视频支持的 ncnn 安卓应用：[ncnn-android-yolox](https:\u002F\u002Fgithub.com\u002FFeiGeChuanShu\u002Fncnn-android-yolox) 来自 [FeiGeChuanShu](https:\u002F\u002Fgithub.com\u002FFeiGeChuanShu)\n* 支持 Tengine 的 YOLOX：[Tengine](https:\u002F\u002Fgithub.com\u002FOAID\u002FTengine\u002Fblob\u002Ftengine-lite\u002Fexamples\u002Ftm_yolox.cpp) 来自 [BUG1989](https:\u002F\u002Fgithub.com\u002FBUG1989)\n* YOLOX + ROS2 Foxy：[YOLOX-ROS](https:\u002F\u002Fgithub.com\u002FAr-Ray-code\u002FYOLOX-ROS) 来自 [Ar-Ray](https:\u002F\u002Fgithub.com\u002FAr-Ray-code)\n* YOLOX 部署 DeepStream：[YOLOX-deepstream](https:\u002F\u002Fgithub.com\u002Fnanmi\u002FYOLOX-deepstream) 来自 [nanmi](https:\u002F\u002Fgithub.com\u002Fnanmi)\n* YOLOX MNN\u002FTNN\u002FONNXRuntime：[YOLOX-MNN](https:\u002F\u002Fgithub.com\u002FDefTruth\u002Flite.ai.toolkit\u002Fblob\u002Fmain\u002Flite\u002Fmnn\u002Fcv\u002Fmnn_yolox.cpp)、[YOLOX-TNN](https:\u002F\u002Fgithub.com\u002FDefTruth\u002Flite.ai.toolkit\u002Fblob\u002Fmain\u002Flite\u002Ftnn\u002Fcv\u002Ftnn_yolox.cpp) 和 [YOLOX-ONNXRuntime C++](https:\u002F\u002Fgithub.com\u002FDefTruth\u002Flite.ai.toolkit\u002Fblob\u002Fmain\u002Flite\u002Fort\u002Fcv\u002Fyolox.cpp) 来自 [DefTruth](https:\u002F\u002Fgithub.com\u002FDefTruth)\n* 将 darknet 或 yolov5 数据集转换为 COCO 格式以供 YOLOX 使用：[YOLO2COCO](https:\u002F\u002Fgithub.com\u002FRapidAI\u002FYOLO2COCO) 来自 [Daniel](https:\u002F\u002Fgithub.com\u002Fznsoftm)\n\n## 引用 YOLOX\n如果您在研究中使用了 YOLOX，请使用以下 BibTeX 条目引用我们的工作：\n\n```latex\n @article{yolox2021,\n  title={YOLOX: Exceeding YOLO Series in 2021},\n  author={Ge, Zheng and Liu, Songtao and Wang, Feng and Li, Zeming and Sun, Jian},\n  journal={arXiv preprint arXiv:2107.08430},\n  year={2021}\n}\n```\n\n## 纪念孙剑博士\n没有[孙剑博士](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=ALVSZAYAAAAJ)的指导，YOLOX便不会问世并开源给社区使用。\n孙剑博士的离世是计算机视觉领域的一大损失。我们特此增设此部分，以表达对我们的“船长”孙老师的深切缅怀与哀悼。\n愿全球每一位AI从业者都能坚守“持续创新拓展认知边界，非凡科技成就产品价值”的信念，勇往直前。 \n\n\u003Cdiv align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMegvii-BaseDetection_YOLOX_readme_8d26ec897bdf.png\" width=\"200\">\u003C\u002Fdiv>","# YOLOX 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux 或 macOS（Windows 也可使用，但推荐 Linux）\n- Python 版本：3.6 - 3.9\n- PyTorch 版本：1.8 或以上\n- CUDA 版本：10.2 或以上（如果使用 GPU）\n\n### 前置依赖\n确保已安装以下依赖项：\n```bash\npip install -r requirements.txt\n```\n\n> 推荐使用国内镜像源加速安装：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n1. 克隆 YOLOX 仓库：\n```bash\ngit clone git@github.com:Megvii-BaseDetection\u002FYOLOX.git\ncd YOLOX\n```\n\n2. 安装 YOLOX：\n```bash\npip3 install -v -e .  # 或者使用以下命令\npython3 setup.py develop\n```\n\n## 基本使用\n\n### 示例：图像检测\n1. 下载预训练模型（如 `yolox-s.pth`）。\n2. 运行以下命令进行图像检测：\n```bash\npython tools\u002Fdemo.py image -n yolox-s -c \u002Fpath\u002Fto\u002Fyour\u002Fyolox_s.pth --path assets\u002Fdog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu\n```\n\n### 示例：视频检测\n```bash\npython tools\u002Fdemo.py video -n yolox-s -c \u002Fpath\u002Fto\u002Fyour\u002Fyolox_s.pth --path \u002Fpath\u002Fto\u002Fyour\u002Fvideo --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu\n```","某智能安防公司正在开发一款实时视频监控系统，用于识别和追踪工厂内的异常行为。该系统需要在多个摄像头中快速检测出人员、车辆及危险物品，并进行分类。\n\n### 没有 YOLOX 时  \n- 检测模型的准确率较低，导致误报和漏报频繁，影响系统可靠性  \n- 模型推理速度慢，无法满足多路视频实时处理的需求  \n- 部分模型部署复杂，需要针对不同硬件平台进行适配和优化  \n- 训练过程耗时长，难以快速迭代和优化模型性能  \n\n### 使用 YOLOX 后  \n- 检测精度显著提升，误报率降低，系统判断更可靠  \n- 推理速度更快，支持多路视频同时处理，满足实时性要求  \n- 支持多种部署方式（如 TensorRT、ONNX 等），简化了跨平台集成流程  \n- 训练效率提高，可快速尝试不同配置，加速模型优化进程  \n\nYOLOX 在提升检测精度与推理效率的同时，也大幅降低了部署与训练成本，为实际应用提供了强有力的技术支撑。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMegvii-BaseDetection_YOLOX_22087ad6.png","Megvii-BaseDetection","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMegvii-BaseDetection_fb50f291.png","BaseDetection Team of Megvii",null,"base-detection-fte@megvii.com","https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",92.6,{"name":87,"color":88,"percentage":89},"C++","#f34b7d",7.4,10411,2453,"2026-04-05T11:25:23","Apache-2.0","Linux, macOS, Windows","需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+","16GB+",{"notes":98,"python":99,"dependencies":100},"建议使用 conda 管理环境，首次运行需下载约 5GB 模型文件。部分功能需要安装 CUDA 和 PyTorch 的对应版本。","3.8+",[101,102,103,104,105,106,107,108,109],"torch>=2.0","transformers>=4.30","accelerate","opencv-python","matplotlib","numpy","pycocotools","tqdm","Pillow",[13,14],[112,113,114,115,116,117,118,119,120,121,122],"yolox","yolov3","onnx","tensorrt","ncnn","openvino","pytorch","megengine","object-detection","yolo","deep-learning",5,"2026-03-27T02:49:30.150509","2026-04-06T08:15:57.201870",[127,132,137,142,147,152],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},5263,"在自定义数据集上训练时，mAP 始终为 0，如何解决？","可能是数据格式转换或配置错误。使用 YOLO2COCO 工具将 YOLOv5 格式数据转换为 COCO 格式，并确保在 yolox\u002Fdata\u002Fdatasets\u002Fcoco_classes.py 中正确设置类别。此外，检查数据路径是否正确，避免多余信息如 self.year 等。参考解决方案：https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F504","https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F504",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},5264,"训练过程中 RAM 使用量持续增长并停止，如何解决？","可能是内存泄漏问题。需要检查 COCO 数据集的加载方式，确保在初始化时加载所有标注；同时，在损失日志中应使用 detach() 和取值而非直接使用张量。参考解决方案：https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F103","https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F103",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},5265,"使用 GTX 1080 显卡训练时出现 OOM 错误，如何解决？","建议减小 batch size 或图像尺寸以避免显存不足。如果仍然报错，可能需要升级显卡或优化模型结构。参考解决方案：https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F189","https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F189",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},5266,"训练过程中 mAP50 和 mAP50-95 均为 0，如何解决？","可能是数据预处理或标签配置错误。参考博客中的解决方案：https:\u002F\u002Fblog.csdn.net\u002Fweixin_42166222\u002Farticle\u002Fdetails\u002F119637797?spm=1001.2014.3001.5502。确保数据格式正确且标签无误。","https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F218",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},5267,"训练时出现 KeyError: Caught KeyError in DataLoader worker process 0，如何解决？","可能是数据加载器配置错误或数据路径不正确。请检查数据路径和文件是否存在，并确保数据格式符合要求。参考详细错误日志进行排查。","https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F229",{"id":153,"question_zh":154,"answer_zh":155,"source_url":131},5268,"如何解决训练时 mAP 为 0 的问题？","确保数据格式正确（如 COCO 或 VOC），检查类别配置是否匹配，确认数据路径无误，并尝试调整 batch size 或图像尺寸。参考解决方案：https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Fissues\u002F504",[157,162,167,172],{"id":158,"version":159,"summary_zh":160,"released_at":161},114493,"0.3.0","# YOLOX 0.3.0 version\r\n\r\n## Updates notes\r\n\r\n## 【2022\u002F04\u002F22】\r\n\r\n### Features\r\n* support loading YOLOX model through `torch.hub`  #1189\r\n* support just-in-time compile op  #1241\r\n* support wandb logger  #1144\r\n* support `freeze` function for torch module  #1156 \r\n* support showing YOLOX demo in a live window #1138\r\n* support custom dataset  for evaluator #1131 \r\n* add option for decode output in export_onnx #1113\r\n* add HuggingFace web demo,  click link [here](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FSultannn\u002FYOLOX-Demo) #1184 \r\n* add pre-commit  #1263\r\n* add `get_trainer` method in Exp class #1263\r\n\r\n### For pip users\r\n```pip install yolox``` could help you to install yolox for most platform.\r\nFor windows users, yolox will compile self-defined operator in YOLOX package just-in-time. Otherwise, yolox will compile operator during installation automatically.\r\n\r\n### Thanks\r\nContributors (sort by timestamp of commit)\r\n@woowonjin  @robin-maillot  @wico-silva\r\n@AaronNZH  @nemonameless  @ArMaxik \r\n@joakimeriksson  @shenyi0220  @manangoel99 \r\n@wep21 @futabato  @AK391 \r\n@DoubleChuang  @Ar-Ray-code @PieroMacaluso \r\n@Joe0120  @Yulv-git \r\n","2022-04-22T07:20:43",{"id":163,"version":164,"summary_zh":165,"released_at":166},114494,"0.2.0","# 0.2.0\r\n\r\n## Updates notes\r\n\r\n## 【2022\u002F01\u002F18】\r\n\r\n### Features\r\n* Saved 30% memory useage in COCO training. #1066\r\n* Log per class AP & AP during evaluation. #1026  #1052 \r\n* Users could install yolox from pip now! Supports on more platform is coming.  #1020 #1079  \r\n* Optimize dynamic matching in label assignment. #861 \r\n\r\n### For pip users\r\n```pip install yolox``` could help you to install yolox now.\r\n\r\n#### Exp design\r\nYOLOX use ```Exp``` as a controller. With Exp object, users could do everything they want.\r\ne.g.\r\nIf you want to get something used in yolox tiny.\r\n```python3\r\nfrom yolox.exp import get_exp\r\nexp = get_exp(exp_name=\"yolox-tiny\")  # yolox-tiny could be replaced by yolox-nano\u002Fs\u002Fm and so on\r\nmodel = exp.get_model()  # now you get yolox-tiny model\r\ndataloader = exp.get_data_loader(batch_size=8, is_distributed=False)\r\noptimizer = exp.get_optimizer(batch_size=2)\r\n```\r\n\r\n#### Training with pip installed yolox\r\nSince pip will auto install yolox in its own way, users may use a environment variable named ```YOLOX_DATADIR```.\r\nCheck more details from our docs  [here](https:\u002F\u002Fgithub.com\u002FMegvii-BaseDetection\u002FYOLOX\u002Ftree\u002Fmain\u002Fdatasets).\r\n ","2022-01-18T07:05:34",{"id":168,"version":169,"summary_zh":170,"released_at":171},114495,"0.1.1rc0","# 0.1.1pre\r\n\r\n## Updates notes\r\n\r\n## 【2021\u002F08\u002F19】\r\n\r\n### Features\r\n* Support image caching for faster training, which requires large system RAM. \r\n* Remove the dependence of apex and support torch amp training. \r\n* Optimize the preprocessing for faster training \r\n* Replace the older distort augmentation with new HSV aug for faster training and better performance. \r\n\r\n### 2X Faster training\r\n\r\nWe optimize the data preprocess and support image caching with `--cache` flag:\r\n\r\n```shell\r\npython tools\u002Ftrain.py -n yolox-s -d 8 -b 64 --fp16 -o [--cache]\r\n                         yolox-m\r\n                         yolox-l\r\n                         yolox-x\r\n```\r\n* -d: number of gpu devices\r\n* -b: total batch size, the recommended number for -b is num-gpu * 8\r\n* --fp16: mixed precision training\r\n* --cache: caching imgs into RAM to accelarate training, which need large system RAM.\r\n\r\n### Higher performance\r\n\r\nNew models achive **~1%** higher performance! See [Model_Zoo](model_zoo.md) for more details.\r\n\r\n### Support torch amp\r\n\r\nWe now support torch.cuda.amp training and Apex is not used anymore.\r\n\r\n### Breaking changes\r\n\r\nWe remove the normalization operation like -mean\u002Fstd. This will make the old weights **incompatible**.\r\n\r\nIf you still want to use old weights, you can add `--legacy' in demo and eval:\r\n\r\n```shell\r\npython tools\u002Fdemo.py image -n yolox-s -c \u002Fpath\u002Fto\u002Fyour\u002Fyolox_s.pth --path assets\u002Fdog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device [cpu\u002Fgpu] [--legacy]\r\n```\r\n\r\nand \r\n\r\n```shell\r\npython tools\u002Feval.py -n  yolox-s -c yolox_s.pth -b 64 -d 8 --conf 0.001 [--fp16] [--fuse] [--legacy]\r\n                         yolox-m\r\n                         yolox-l\r\n                         yolox-x\r\n```\r\n\r\nBut for deployment demo, we don't suppor the old weights anymore.","2021-08-18T12:41:41",{"id":173,"version":174,"summary_zh":175,"released_at":176},114496,"0.1.0","\r\n# 0.1.0 release\r\n\r\n## Features\r\n* YOLOX is a high-performance anchor-free YOLO, exceeding yolov3~v5.\r\n* Support deployment of MegEngine, ONNX, TensorRT, openvino and ncnn.\r\n* Document [website](https:\u002F\u002Fyolox.readthedocs.io\u002Fen\u002Flatest\u002F)\r\n\r\n## Bug fixes\r\n* fix memory leak issues during training. (e.g. #103)\r\n\r\n## Breaking change\r\n* Suffix of saved checkpoints become `pth` instead of `tar`","2021-08-18T03:55:44"]