1.输入端
（1）Strong augmentation
Yolox主要采用了Mosaic、Mixup两种数据增强方法
有两点需要注意：
（1）在训练的最后15个epoch，这两个数据增强会被关闭掉。
而在此之前，Mosaic和Mixup数据增强，都是打开的，这个细节需要注意。
（2）由于采取了更强的数据增强方式，作者在研究中发现，ImageNet预训练将毫无意义，因此，所有的模型，均是从头开始训练的。
2.backbone
在Yolox系列中的，Yolox-Darknet53模型，采用的Baseline基准网络，采用的并不是Yolov3版本，而是改进后的Yolov3_spp版本。而Yolov3和Yolov3_spp的不同点在于，Yolov3的主干网络后面，添加了spp组件。
3.neck
在Neck结构中，Yolox-Darknet53和Yolov3 baseline的Neck结构，也是一样的，都是采用FPN的结构进行融合。
4.head
在输出层中，主要从四个方面进行讲解：Decoupled Head、Anchor Free、标签分配、Loss计算。
（1）Decoupled Head
Decoupled Head，目前在很多一阶段网络中都有类似应用，比如RetinaNet、FCOS等。
① 为什么使用Decoupled Head？
目前Yolo系列使用的检测头，表达能力可能有所欠缺，没有Decoupled Head的表达能力更好。Decoupled Head的收敛速度更快，且精度更高一些。
