[论文解读] YOLOX-PAI: An Improved YOLOX, Stronger and Faster than YOLOv6

Ziheng Wu, Xinyi Zou+2 more|arXiv (Cornell University)|Aug 27, 2022

CCD and CMOS Imaging Sensors被引用 7

一句话总结

YOLOX-PAI 是 YOLOX 的增强版本，在单张 V100 GPU 上实现 1.0ms 内推理速度的同时，在 COCO 上达到 42.8 mAP 的最先进目标检测性能。它通过 PAI-Blade 加速，并结合统一的 EasyCV 预测器 API 实现端到端推理优化，整合了主干网络（RepVGG）、特征金字塔（ASFF_Sim 和 GSConv）以及检测头（TOOD-Head）的改进。

ABSTRACT

We develop an all-in-one computer vision toolbox named EasyCV to facilitate the use of various SOTA computer vision methods. Recently, we add YOLOX-PAI, an improved version of YOLOX, into EasyCV. We conduct ablation studies to investigate the influence of some detection methods on YOLOX. We also provide an easy use for PAI-Blade which is used to accelerate the inference process based on BladeDISC and TensorRT. Finally, we receive 42.8 mAP on COCO dateset within 1.0 ms on a single NVIDIA V100 GPU, which is a bit faster than YOLOv6. A simple but efficient predictor api is also designed in EasyCV to conduct end2end object detection. Codes and models are now available at: https://github.com/alibaba/EasyCV.

研究动机与目标

• 提升 YOLOX 的精度与推理速度，以支持实时目标检测。
• 将最先进检测组件（RepVGG、GSConv、ASFF_Sim、TOOD-Head）整合至统一且用户友好的框架中。
• 通过 PAI-Blade 和 EasyCV 中灵活的预测器 API 实现端到端推理加速。
• 为用户提供简单易用的一体化解决方案，用于部署高性能目标检测器。
• 在 40–50 mAP 范围内实现最先进性能，并在 V100 上实现 1ms 以下的推理延迟。

提出的方法

• 采用基于 RepVGG 的主干网络，相比 CSPNet 在推理速度与精度上均有提升。
• 提出 ASFF_Sim，一种轻量级特征融合方法，使用切片与均值操作替代卷积层。
• 采用 GSConv，一种参数高效的卷积模块，可在颈部结构中显著降低 FLOPs 且精度损失极小。
• 通过 TOOD-Head 改进 YOLOX 检测头，利用共享的跨特征图与任务特定注意力机制，提升检测对齐能力。
• 集成 PAI-Blade 实现自动模型优化，包括 TensorRT 与基于 BladeDISC 的推理加速。
• 开发灵活的 EasyCV 预测器 API，支持 JIT 编译的预处理、优化的 NMS 以及模型导出，实现端到端推理优化。

实验结果

研究问题

• RQ1 RepVGG、ASFF_Sim 和 GSConv 对 YOLOX 的精度与推理速度分别产生何种影响？
• RQ2 TOOD-Head 在与不同主干网络和颈部结构组合时，能否提升 YOLOX 的性能？
• RQ3 PAI-Blade 与 EasyCV 预测器 API 在多大程度上可降低端到端推理延迟？
• RQ4 在 1ms 推理延迟下，YOLOX-PAI 与 YOLOv6 在 mAP 和速度上的表现如何对比？
• RQ5 像 EasyCV 这类统一且面向初学者的工具包，能否在极少配置下有效支持高性能目标检测？

主要发现

• YOLOX-PAI 在单张 V100 GPU 上实现 1.0ms 推理延迟时，COCO 上达到 42.8 mAP，精度与速度均优于 YOLOv6。
• 采用基于 RepVGG 的主干网络使 mAP 提升 0.2–0.3 个百分点，且速度损失可忽略。
• ASFF_Sim 在仅增加少量 FLOPs 与参数量的前提下实现高效特征融合，尽管推理延迟高于原始 ASFF。
• GSConv 在颈部结构中使 FLOPs 降低 3%，mAP 提升 0.3，展现出在高通道特征图中的高效性。
• TOOD-Head 在堆叠 5 层跨特征图卷积后达到 44.7 mAP，体现出精度与速度之间的权衡。
• 结合 PAI-Blade 与 JIT 预处理的端到端推理将延迟从原始的 24.58ms 降低至 4.53ms，实现 251% 的加速，适用于 YOLOX-s 模型。