发现的几个问题：路径

[znsoftm]

1. 主要是路径问题 , 在config.py中修改路径后，还会去/data/dataset/coco_dataset下找数据
   2 目标的类名，不需要写在config.py中吧，直接从数据中读
2. 不确定是不是本程序的问题，wsl2中的linux下暴显存（3090 24G显存）
3. 能否支持预训练模型？ 比如我要训练自己的目标检测类，数据量一般的情况下，没预训练模型不方便

[zhangming8]

谢谢提出的问题。

1. 可以看下 train.sh，里面有传入dataset_path，会给config.py的数据路径重新赋值，可以把这个里面的给删掉，后面我更新的时候注意这点。类别名称可以在json中获取，但是考虑到真正部署的时候还带一个json文件比较麻烦，最后就写在配置文件中
2. 不好意思，我一直在ubuntu下测试的，win下只调通了cpu版的。后面有时间会测试一下
3. 这个我也在训练，完成后会放出来，便于finetune

[jolt2017]

1. 主要是路径问题 , 在config.py中修改路径后，还会去/data/dataset/coco_dataset下找数据
   2 目标的类名，不需要写在config.py中吧，直接从数据中读
2. 不确定是不是本程序的问题，wsl2中的linux下暴显存（3090 24G显存）
3. 能否支持预训练模型？ 比如我要训练自己的目标检测类，数据量一般的情况下，没预训练模型不方便

我用 yolox-nano 训练的时候也遇到显存不够的情况了，因为之前还有别的模型在训练，现在重新在一块gpu 上再训练一次

[zhangming8]

1. 主要是路径问题 , 在config.py中修改路径后，还会去/data/dataset/coco_dataset下找数据
   2 目标的类名，不需要写在config.py中吧，直接从数据中读
2. 不确定是不是本程序的问题，wsl2中的linux下暴显存（3090 24G显存）
3. 能否支持预训练模型？ 比如我要训练自己的目标检测类，数据量一般的情况下，没预训练模型不方便

我用 yolox-nano 训练的时候也遇到显存不够的情况了，因为之前还有别的模型在训练，现在重新在一块gpu 上再训练一次

可以试一下把多尺寸训练关闭，多尺寸训练占用显存变化较大。opt.random_size = (20, 21)，另外train.sh里面传的有batch_size 这里也可以调小一下

[jolt2017]

1. 主要是路径问题 , 在config.py中修改路径后，还会去/data/dataset/coco_dataset下找数据
   2 目标的类名，不需要写在config.py中吧，直接从数据中读
2. 不确定是不是本程序的问题，wsl2中的linux下暴显存（3090 24G显存）
3. 能否支持预训练模型？ 比如我要训练自己的目标检测类，数据量一般的情况下，没预训练模型不方便

我用 yolox-nano 训练的时候也遇到显存不够的情况了，因为之前还有别的模型在训练，现在重新在一块gpu 上再训练一次

可以试一下把多尺寸训练关闭，多尺寸训练占用显存变化较大。opt.random_size = (20, 21)，另外train.sh里面传的有batch_size 这里也可以调小一下

（1）这里面多尺度训练要怎么改能，我现在面临的任务是 输入图像尺寸是 1280x720 ，但是检测目标一般在 20x20左右，并且一张图像里可能平均只有 3~4个左右目标。想问下 这里的 random_size 是啥意思。

（2）我现在把代码修改成，可以在指定gpu 跑，但是，跑起来还是发现 0 gpu会占用一部分显存大概 800M 显存，和训练指定的 gpu 是同一个 PID，不知道是怎么回事。

（3）

这里我改成 这样了，否则 grid device 在 gpu 0上 , 不是我设置的 gpu 3

[zhangming8]

1. 主要是路径问题 , 在config.py中修改路径后，还会去/data/dataset/coco_dataset下找数据
   2 目标的类名，不需要写在config.py中吧，直接从数据中读
2. 不确定是不是本程序的问题，wsl2中的linux下暴显存（3090 24G显存）
3. 能否支持预训练模型？ 比如我要训练自己的目标检测类，数据量一般的情况下，没预训练模型不方便

我用 yolox-nano 训练的时候也遇到显存不够的情况了，因为之前还有别的模型在训练，现在重新在一块gpu 上再训练一次

可以试一下把多尺寸训练关闭，多尺寸训练占用显存变化较大。opt.random_size = (20, 21)，另外train.sh里面传的有batch_size 这里也可以调小一下

（1）这里面多尺度训练要怎么改能，我现在面临的任务是 输入图像尺寸是 1280x720 ，但是检测目标一般在 20x20左右，并且一张图像里可能平均只有 3~4个左右目标。想问下 这里的 random_size 是啥意思。

（2）我现在把代码修改成，可以在指定gpu 跑，但是，跑起来还是发现 0 gpu会占用一部分显存大概 800M 显存，和训练指定的 gpu 是同一个 PID，不知道是怎么回事。

（3）

这里我改成 这样了，否则 grid device 在 gpu 0上 , 不是我设置的 gpu 3

(1)多尺度opt.random_size = (a, b)表示随机选择从a到(b-1)的值x，然后x32为最终尺寸。所以设置opt.random_size = (20, 21)时只能选择x=20，这样输入尺寸只能是2032=640，这也就取消了多尺寸训练，可以参考https://github.com/zhangming8/yolox-pytorch/blob/main/train.py#L106
(2,3)目前我的代码是在单gpu下调试的，这两天会在多gpu下调通，谢谢你的测试。

[zhangming8]

20210731 update:
已经放出了预训练权重，可以在自己的数据上finetune了

[yh-pengtu]

请问下百度云的yolox_coco文件是预训练模型还是在coco上训练好的，如果是已经在coco训练好的权重应该怎么获取imagenet的预训练模型呢