1.YOLOX总体结构

demo

MegEngine：旷视深度学习开源框架–天元（2020.03.25发布）
ONNX：Open Neural Network Exchange ，是微软和 Facebook 发布的一个深度学习开发工具生态系统，旨在让 AI 开发人员能够随着项目发展而选择正确的工具，可以直接在不同的框架上训练网络。
TensorRT：英伟达推出的高性能深度学习支持引擎，为了能更好地利用GPU
openvino ：英特尔推出的一款全面的工具套件，用于快速部署应用和解决方案
ncnn：腾讯开放的一个专门针对移动设备(尤其是android)的开源深度学习前向框架

docs

manipulate_training_image_size.md：介绍了如何在对自己的数据进行训练时控制图像大小。
modle_zoo.md：介绍了各种标准模型。
quick_run.md：介绍了代码的使用操作
train_custom_data.md介绍如何使用YOLOX训练您自己的自定义数据。我们以VOC数据集上微调YOLOX-S模型为例，给出了更清晰的指导。
updates_note.md讲了对代码的更新。比如：支持图像缓存以加快培训速度，这需要较大的系统RAM。消除对apex的依赖，支持torch放大器培训。优化预处理以加快训练速度用新的HSV aug替换旧的扭曲增强，以实现更快的训练和更好的性能。

exps:examples

介绍了对不同标准模型进行使用的配置文件,包括各种输入参数、模块方法选择， 具体的配置示例

tools

一些训练用的通用文件，训练、测试、demo等

yolox

核心部分

core：一些加载文件

datasets：数据处理
coco_classes.py：coco数据集的类别
coco.py：coco数据集的初始化、进行数据读取
voc_classes.py：voc数据集的类别
voc.py：是voc数据集的初始化、进行数据读取。
datasets_wrapper.py：将处理后的数据集，进行整理和封装
mosaicdetection.py：进行马赛克操作，实现数据增强
data_augment.py：模块进行相关数据处理，包含hsv等一些数据增强方法
data_prefetcher.py：加快pytorch的数据加载
dataloading.py：该模块进行数据加载，获取数据集的文件
samplers.py：该模块进行抽样，批取样器，将从另一个取样器生成（马赛克，索引）元组的小批
init.py：一些依赖库

evaluator：测评

exp：base examples

model：模型主体代码
init.py：一些依赖包，导入模块和函数
darknet.py：主干网络Darknet53
losses.pyloss：函数使用了IOUloss，计算交并比
network_blocks.py：网络需要调用的模块，使用silu激活函数
yolo_fpn.py：YOLOFPN模块。Darknet 53是此模型的默认主干。调用Darknet 53作为主干网络
yolo_head.py：本模块有三个操作：decoupled head，Multi positives，SimOTA
yolo_pafpn.py：另一个主干网络，backbone-YOLOPAFPN。PA指的是PANet的结构，FPN指的是特征金字塔结构。
yolox.py：YOLOX模型模块。调用之前的主干网络和组件，模块列表由create_yolov3_modules函数定义。网络在训练期间从三个YOLO层返回损耗值，以及测试期间的检测结果。

utils：工具代码

2.datasets模块解读

2.1 Mosaic数据增强

参考博客