首页 » 机器视觉 » 正文
机器视觉

记录：复现Pytorch搭建YoloV4Tiny目标检测平台

站在各位巨人的肩膀上，记录和整理。
参考：
1、https://github.com/bubbliiiing/yolov4-tiny-pytorch
2、睿智目标检测35——Pytorch搭建YoloV4-Tiny目标检测平台
3、Pytorch 搭建自己的YoloV4目标检测平台（Bubbliiiing 深度学习 教程）
4、可视化yolov4-tiny和yolov4网络结构图
5、关于YOLOv3的一些细节
6、【论文理解】理解yolov3的anchor、置信度和类别概率
7、史上最详细的Yolov3边框预测分析
8、深度学习小技巧-mAP精度概念详解与计算绘制（Bubbliiiing 深度学习 教程）
9、YOLO3输出张量解码过程
10、睿智的目标检测10——先验框详解及其代码实现
11、睿智的目标检测31——非极大抑制NMS与Soft-NMS

一、结果

先把结果跑通，了解步骤以及训练流程。

1 预训练权重预测

给这位博主一个star吧，他值得，b站和csdn博客同名。
https://github.com/bubbliiiing/yolov4-tiny-pytorch

  • 下载预训练权重（yolov4_tiny_weights_voc.pth和yolov4_tiny_weights_coco.pth）。
  • 下载权重放置于model data文件夹下。
  • 检查yolo.py中的model_path和classes_path路径是否正确，以及是否一一对应。
    - 例如，如果使用coco预训练权重，相应代码应是如下所示：
    -“model_path” : ‘model_data/yolov4_tiny_weights_coco.pth’
    - “classes_path” : 'model_data/coco_classes.txt’
  • 在img文件夹放置sample.jpg图片。
  • 运行predict.py，输入img/sample.jpg，会显示预测结果。

在这里插入图片描述

2 自己训练VOC数据集得到权重

需要知道：训练集和验证集的比例、各种txt的含义。
这里测试是用一张照片进行测试的，使用测试集进行批量测试会在MAP的绘制中介绍。

训练流程

  • 下载训练集：VOC2007+2012训练集
    链接: https://pan.baidu.com/s/16pemiBGd-P9q2j7dZKGDFA 提取码: eiw9
  • VOC数据集格式
    - Annotions(存放xml标签文件)
    - ImageSets/Main（存放train.txt和trainval.txt）
    - JPEGImages(存放数据集的照片)
  • 把下载好的VOC2007文件夹放入项目的VOCdevkit文件夹
  • 运行VOC2007文件夹下的voc2yolo4.py，可以在ImageSets/Main得到4个txt文件
    - 注意：voc2yolo4.py中设置trainval_percent=1，train_percent=1
    - trainval_pecent=1表示该数据集所有照片用于训练和验证，至于划分训练和验证集的比例在train.py中会进行划分。train_percent不需要设置。
    - 其中test.txt和val.txt是空的，训练不会用到。
    - train.txt和trainval.txt中是数据集照片的id号。
  • 运行项目根目录下的voc_annotation.py会生成2007_train.txt
    - 运行之前，先检查代码中的classes列表，是不是对应voc的类别。
    - 其中存放的信息：【图片位置绝对路径、真实框的位置、类别】
  • 运行根目录下的train.py
    - 运行之前首先检查其中的classes_path是否是model_data/voc_classes.txt
    - 代码中的**model_path = “model_data/yolov4_tiny_weights_coco.pth”**我理解为在这个coco预训练权重的基础上进行训练的。
    - val_split = 0.1即为数据集的90%用于训练，10%用于验证。
  • 等待迭代100Epoch。
    - 一个Epoch是遍历一次训练集，每迭代一次以后，会进行一次验证集的验证。
    - 在log文件夹下会保存权值，好像是每个epoch保存2次，最后这个log文件夹里会有很多pth文件，取最后一个loss值最低的，代替之前的预训练权重进行预测。
    - 每个pth文件20多M的样子，可以更改代码，少保存一些，减轻内存负担。

在这里插入图片描述

使用训练好的权重预测

  • 检查yolo.py中的model_path和classes_path路径是否正确，以及是否一一对应。
    相应代码应是如下所示：
    -“model_path” : ‘log/Epoch100-Total_Loss7.1953-Val_Loss8.3221.pth’
    - “classes_path” : 'model_data/voc_classes.txt’
  • 在img文件夹放置sample.jpg图片。
  • 运行predict.py，输入img/sample.jpg，会显示预测结果。

在这里插入图片描述

二、原理

跑通以后，了解算法原理。
整体网络结构

全部38层网络可视化：可视化yolov4-tiny和yolov4网络结构图

1 backbone

主干网络：CSPdarknet53 Tiny（用于特征提取）

具体的shape变化，请看代码注释。

  • 照片输入尺寸：416×416×3
  • 首先进行两次卷积【conv、bn、leakly relu】操作。
  • 然后进行三次残差块（残差块中，池化会压缩图片宽和高，concat会使通道数翻倍）的操作。
  • 再进行一次卷积【conv、bn、leakly relu】操作。
  • 最后输出两个shape【feat2:（13，13，512）、feat1:（26，26，256）】，作为加强特征提取网络部分的输入。

CSPdarknet53 Tiny的2个特点
1、使用了CSPnet结构
在这里插入图片描述

  • CSPnet就是将原来的残差块的堆叠进行了一个拆分，拆成左右两部分： 主干部分继续进行原来的残差块的堆叠；
  • 另一部分则像一个残差边一样，经过少量处理直接连接到最后。 因此可以认为CSP中存在一个大的残差边。

2、进行通道的分割

  • 在CSPnet的主干部分，CSPdarknet53_tiny会对一次3x3卷积后的特征层进行通道的划分，分成两部分，取第二部分。
  • 利用主干特征提取网络，我们可以获得两个shape的有效特征层，即CSPdarknet53_tiny最后两个shape的有效特征层，传入加强特征提取网络当中进行FPN的构建。

BasicConv对应结构图中的DarknetConv2D_BN_Leakly操作，包括卷积、批标准化、leakly激活函数。
通道输入为in_ch，通道输出为out_ch。
在这里插入图片描述
残差块结构：
残差块结构
残差块代码，残差块中，池化会压缩图片宽和高，concat会使通道数翻倍。

在这里插入图片描述
CSPdarknet53 tiny，可以验算一下shape是如何变化的。最后返回feat1和feat2的shape。
在这里插入图片描述

2 neck

连接部分：FPN特征金字塔（用于特征融合）
FPN会将最后一个shape的有效特征层卷积后进行上采样，然后与上一个shape的有效特征层进行堆叠并卷积。
在这里插入图片描述

3 detection head

检测头：YOLO head（用于检测分类）

1、在特征利用部分，YoloV4-Tiny提取多特征层进行目标检测，一共提取两个特征层，两个特征层的shape分别为(26,26,256)、(13,13,512)。
2、输出层的shape分别为(13,13,75)，(26,26,75)，最后一个维度为75是因为该图是基于voc数据集的，它的类为20种，YoloV4-Tiny只有针对每一个特征层存在3个先验框，所以最后维度为3x25。

  • 先验框：也叫anchor，后面介绍。
  • 25的由来：x,y,w,h+confidence+num_classes即4+1+20=25，【框的位置参数，框的置信度，类别和】

yolo head包括一个3×3卷积（conv,BN,leakly）进行特征整合和一个普通1×1卷积（进行通道数的调整）
在这里插入图片描述
YoloBody包括FPN和yolo head两个部分。shape的变化写在如下注释中。
在这里插入图片描述
在这里插入图片描述

4 解码

yolo系列算法的核心思想：

  • 对输入图片进行S*S的栅格化，图片中某个对象的中心点落在哪个cell中，那一个cell就负责预测这个对象。
  • 最终输出维数： S * S * [B * (4 + 1 + num_classes)]
  • yolo v1一个cell只能预测一个对象，如果有两个对象的中心点都落在同一个cell中，那么只能预测其中一个物体，针对这个物体，yolo v2以后的版本都加入了锚框这个概念，anchor的加入，可以有效解决这个问题。
  • 比如有2个物体，有3个先验框。当有2个物体的中心都落在同一个cell中时，3个先验框中，与真实框的交并比（IOU）最大的那个先验框会负责预测第一个物体，与真实框的交并比（IOU）第二大的那个先验框会负责预测第二个物体，以此类推。

yolo v4 的tiny的特征层分别将整幅图分为13x13、26x26的网格，每个网格点负责一个区域的检测。
在这里插入图片描述

由yolo head我们可以获得两个特征层的预测结果，shape分别为(batch_size,13,13,75)，(batch_size,26,26,75)的数据，对应每个图分为13x13、26x26的网格上3个预测框的位置【3*（4+1+20）=75】。但是这个预测结果并不对应着最终的预测框在图片上的位置，还需要解码才可以完成。

  • 特征层的预测结果对应着三个预测框的位置，先将其reshape一下，其结果为(N,13,13,3,25)，(N,26,26,3,25)。
    最后一个维度中的25包含了4+1+20，分别代表tx、ty、th和tw、置信度、分类结果。

  • yolo的解码过程就是将每个网格点加上它对应的x_offset和y_offset，加完后的结果就是预测框的中心，然后再利用先验框和h、w结合，计算出预测框的长和宽。这样就能得到整个预测框的位置。

  • 当然得到最终的预测结构后还要进行得分排序与非极大抑制筛选。
    这一部分基本上是所有目标检测通用的部分。不过该项目的处理方式与其它项目不同。其对于每一个类进行判别。
    1、取出每一类得分大于self.obj_threshold的框和得分。 2、利用框的位置和得分进行非极大抑制。
    在这里插入图片描述
    x偏移量：sigmoid(tx)、y偏移量：sigmoid(ty)。（Cx，Cy）为格子的左上角坐标。
    Pw和Ph是先验框的宽度和高度。尺度缩放量：e^tw 和 e^th。
    最终预测框的位置参数是bx，by，bw，bn，公式如上图。
    在这里插入图片描述
    步骤总结：

  • 原图尺寸4032×3024，输入尺寸为416×416

  • 为了在特征图上确定预测框的大小和位置，将先验框缩小（416/13=32，416/26=16）倍。

  • 在特征图上生成网格点，每个网格点的左上角坐标记为(grid_x,grid_y)，根据输出张量确定预测框的位置和大小（4个公式）。

  • 将预测框的x,y,w,h信息放大，放大（416/13=32、416/26=16）倍，然后在原图中显示。

代码实现

class DecodeBox(nn.Module):
    def __init__(self, anchors, num_classes, img_size):     # anchors维度是np.reshape(self.anchors,[-1,2])[self.anchors_mask[i]]
                                                            # anchors分为两列，索引是anchors_mask[i]
                                                            # num_classes是20，img_size维度是(416,416)
        super(DecodeBox, self).__init__()
        self.anchors = anchors
        self.num_anchors = len(anchors)
        self.num_classes = num_classes
        self.bbox_attrs = 5 + num_classes
        self.img_size = img_size

    def forward(self, input):    # input = [1,75,26,26]或[1, 75, 13, 13]
        #-----------------------------------------------#
        #   输入的input一共有两个，他们的shape分别是
        #   batch_size, 75, 13, 13
        #   batch_size, 75, 26, 26
        #-----------------------------------------------#
        batch_size = input.size(0)
        input_height = input.size(2)
        input_width = input.size(3)

        #-----------------------------------------------#
        #   输入为416x416时，即img_size = 416×416
        #   stride_h = stride_w = 32、16、8
        #-----------------------------------------------#
        stride_h = self.img_size[1] / input_height        # h需要缩小的倍数：416/13=32、416/26=16
        stride_w = self.img_size[0] / input_width         # w需要缩小的倍数：416/13=32、416/26=16
        #-------------------------------------------------#
        #   此时获得的scaled_anchors大小是相对于特征层的
        #-------------------------------------------------#
        scaled_anchors = [(anchor_width / stride_w, anchor_height / stride_h) for anchor_width, anchor_height in self.anchors]

        #-----------------------------------------------#
        #   输入的input一共有两个，他们的shape分别是
        #   batch_size, 3, 13, 13, 25
        #   batch_size, 3, 26, 26, 25
        #-----------------------------------------------#
        prediction = input.view(batch_size, self.num_anchors,
                                self.bbox_attrs, input_height, input_width).permute(0, 1, 3, 4, 2).contiguous()
        #print('prediction.shape:',prediction.shape)  # prediction.shape: torch.Size([1, 3, 13, 13, 25])
                                                     # prediction.shape: torch.Size([1, 3, 26, 26, 25])
        # 25 = 【tx,ty,tw,th,conf,pred_cls】

        # 先验框的中心位置的调整参数
        x = torch.sigmoid(prediction[..., 0])            # x = sigmoid(tx)
        y = torch.sigmoid(prediction[..., 1])            # y = sigmoid(ty)
        # 先验框的宽高调整参数
        w = prediction[..., 2]                           # w = tw
        h = prediction[..., 3]                           # h = th
        # 获得置信度，是否有物体
        conf = torch.sigmoid(prediction[..., 4])         # conf
        # 种类置信度
        pred_cls = torch.sigmoid(prediction[..., 5:])    # pred_cls
        #print('pred_cls.shape:',pred_cls.shape)          # pred_cls.shape: torch.Size([1, 3, 13, 13, 20])
                                                         # pred_cls.shape: torch.Size([1, 3, 26, 26, 20])

        FloatTensor = torch.cuda.FloatTensor if x.is_cuda else torch.FloatTensor
        #print('FloatTensor:',FloatTensor) # FloatTensor: <class 'torch.cuda.FloatTensor'>
        LongTensor = torch.cuda.LongTensor if x.is_cuda else torch.LongTensor
        #print('LongTensor:',LongTensor)    # LongTensor: <class 'torch.cuda.LongTensor'>

        #----------------------------------------------------------#
        #   生成网格，先验框中心，网格左上角 
        #   batch_size,3,13,13
        #----------------------------------------------------------#
        grid_x = torch.linspace(0, input_width - 1, input_width).repeat(input_height, 1).repeat(
            batch_size * self.num_anchors, 1, 1).view(x.shape).type(FloatTensor)
        grid_y = torch.linspace(0, input_height - 1, input_height).repeat(input_width, 1).t().repeat(
            batch_size * self.num_anchors, 1, 1).view(y.shape).type(FloatTensor)
        #print('grid_x.shape:',grid_x.shape)  # grid_x: torch.Size([1, 3, 13, 13]) # grid_x: torch.Size([1, 3, 26, 26])
        #print('grid_y.shape:',grid_y.shape)  # grid_y: torch.Size([1, 3, 13, 13]) # grid_y: torch.Size([1, 3, 26, 26])

        #----------------------------------------------------------#
        #   按照网格格式生成先验框的宽高
        #   batch_size,3,13,13
        #----------------------------------------------------------#
        anchor_w = FloatTensor(scaled_anchors).index_select(1, LongTensor([0]))
        anchor_h = FloatTensor(scaled_anchors).index_select(1, LongTensor([1]))
        anchor_w = anchor_w.repeat(batch_size, 1).repeat(1, 1, input_height * input_width).view(w.shape)
        anchor_h = anchor_h.repeat(batch_size, 1).repeat(1, 1, input_height * input_width).view(h.shape)
        #print('anchor_w.shape:',anchor_w.shape)  #torch.Size([1, 3, 13, 13])、torch.Size([1, 3, 26, 26])
        #print('anchor_h.shape:',anchor_h.shape)  #orch.Size([1, 3, 13, 13])、torch.Size([1, 3, 26, 26])

        #----------------------------------------------------------#
        #   利用预测结果对先验框进行调整
        #   首先调整先验框的中心，从先验框中心向右下角偏移
        #   再调整先验框的宽高。
        #----------------------------------------------------------#
        pred_boxes = FloatTensor(prediction[..., :4].shape)
        #print('pred_boxes:',pred_boxes)  # 全0张量； 
        pred_boxes[..., 0] = x.data + grid_x
        pred_boxes[..., 1] = y.data + grid_y
        pred_boxes[..., 2] = torch.exp(w.data) * anchor_w
        pred_boxes[..., 3] = torch.exp(h.data) * anchor_h
        #print('pred_boxes.shape:',pred_boxes.shape)  # pred_boxes.shape: torch.Size([1, 3, 13, 13, 4])
                                                     # pred_boxes.shape: torch.Size([1, 3, 26, 26, 4])
        _scale = torch.Tensor([stride_w, stride_h] * 2).type(FloatTensor)
        #print('_scale:',_scale) # _scale: tensor([32., 32., 32., 32.], device='cuda:0')
                                # _scale: tensor([16., 16., 16., 16.], device='cuda:0')
        # print("_scale.shape",_scale.shape)    # i =0, shape:[4]  # i=1,shape:[4]
        output = torch.cat((pred_boxes.view(batch_size, -1, 4) * _scale,
                            conf.view(batch_size, -1, 1), pred_cls.view(batch_size, -1, self.num_classes)), -1)
        # print('output.data.shape',output.data.shape)  # i =0, shape:[1,507,25]  # i =1, shape:[1,2028,25]
        return output.data

anchor box

参考：关于YOLOv3的一些细节
也叫先验框（bounding box prior）。从训练集的所有ground truth box中统计出来的（使用k-means统计的），在训练集中最经常出现的几个box的形状和尺寸。

置信度（confidence）

[0,1]区间的值在这里插入图片描述

  • 一重是代表当前box是否有对象的概率Pr(Object)，注意，是对象，不是某个类别的对象，也就是说它用来说明当前box内只是个背景（backgroud）还是有某个物体（对象）;
  • 另一重表示当前的box有对象时，它自己预测的box与物体真实的box可能的IOU的值，注意，这里所说的物体真实的box实际是不存在的，这只是模型表达自己框出了物体的自信程度。
  • Cij表示第i个grid cell的第j个bounding box的置信度。

对象条件类别概率（conditional classes probabilities）

[0,1]区间的值
在这里插入图片描述

损失函数、得分排序、非极大值抑制（NMS）

为了计算loss，输出特征图需要变换为(batch_size, grid_sizegrid_sizenum_anchors, 5+类别数量)的tensor，这里的5就已经是通过之前详细阐述的边框预测公式转换完的结果，即bx,by,bw,bh.对于尺寸为416×416的图像，通过三个检测层检测后，有[(2626)+(1313)]*3=2535个预测框，然后可以转为x1,y1,x2,y2来算iou,通过score排序和执行NMS去掉绝大多数多余的框，计算loss等操作了。

5 原图绘制

通过第四步，我们可以获得预测框在原图上的位置，而且这些预测框都是经过筛选的。这些筛选后的框可以直接绘制在图片上，就可以获得结果了。

6 评价指标

6.1 速度指标FPS（Frame Per Second）

  • 每秒内可以处理的图片数量。
  • 对比FPS，需要在同一硬件上进行，不同硬件的FPS不同。
  • 另外也可以使用处理一张图片所需时间来评估检测速度

运行predict.py以后，进行图片的检测，然后直接运行FPS_test.py
在这里插入图片描述
这里检测1张图片的时间为27ms左右，即每秒大约可以处理36张图片。

6.2 准确性指标MAP（Mean Average Precision ）

6.2.1 MAP原理

参考：
深度学习小技巧-mAP精度概念详解与计算绘制（Bubbliiiing 深度学习 教程
睿智的目标检测20——利用mAP计算目标检测精确度
在这里插入图片描述
在这里插入图片描述

6.2.2 增加测试集，绘制MAP

1、下载测试集

VOC2007测试集：
链接: https://pan.baidu.com/s/1BnMiFwlNwIWG9gsd4jHLig 提取码: dsda

2、将测试集放到VOCdevkit文件夹下，并改名为VOCdevkit_test以示区分，注意改了名字，测试时代码路径就也要改成对应的。
在这里插入图片描述
3、具体设置

  • voc2yolo4_test.py中的trainval_percent改为0，表示当前的数据集全部用于测试。之后会生成test.txt，里面是存放测试集照片的id号。
  • 运行get_dr_txt.py，获得检测结果的txt
  • 运行get_gt_txt.py，获得ground truth的txt
  • 运行get_map.txt，获得result文件夹，内含MAP结果等。
    在这里插入图片描述
6.2.3 MAP@0.5的含义

在这里插入图片描述

版权声明：本文为CSDN博主「Julyers」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_41631106/article/details/117027456

标签： · · ·
点赞 0

Julyers

我还没有学会写个人说明！

暂无评论

发表评论

相关推荐

YOLO-V3-SPP详细解析
机器视觉 2024-08-30

YOLO-V3-SPP详细解析

YOLO-V3-SPP 继前两篇简单的YOLO博文 YOLO-V1 论文理解《You Only Look Once: Unified, Real-Time Object Detection》YOLO-V2论文理解《YOLO9000: Bet

分享到：