【代码】CenterNet使用（续）（对五六七部分详解）（六）

最新推荐文章于 2024-04-22 00:30:00 发布

FSALICEALEX

最新推荐文章于 2024-04-22 00:30:00 发布

阅读量1.8k

点赞数 4

分类专栏：代码

本文链接：https://blog.csdn.net/FSALICEALEX/article/details/94990079

版权

代码专栏收录该内容

11 篇文章 2 订阅

订阅专栏

接上面部分，对五六七部分进行详解，这篇介绍第六部分。

一、回顾

第六部分对得到得dets进行后处理：

      dets = self.post_process(dets, meta, scale)
      torch.cuda.synchronize()
      post_process_time = time.time()
      post_time += post_process_time - decode_time

      detections.append(dets)

post_process在ctdet.py中出现：

  def post_process(self, dets, meta, scale=1):
    dets = dets.detach().cpu().numpy()
    dets = dets.reshape(1, -1, dets.shape[2])
    dets = ctdet_post_process(
        dets.copy(), [meta['c']], [meta['s']],
        meta['out_height'], meta['out_width'], self.opt.num_classes)
    for j in range(1, self.num_classes + 1):
      dets[0][j] = np.array(dets[0][j], dtype=np.float32).reshape(-1, 5)
      dets[0][j][:, :4] /= scale
    return dets[0]

使用ctdet_post_process进行后处理，

最后得到得dets是一个len=80的张量（列表？）

其中每个元素是一个N * 5的ndarray。猜测是每个类别中的dets。detections是一个包含dets的列表。

二、详解

主要是ctdet_post_process部分

输入是这些：

ctdet_post_process来源于utils/post_process，代码和解释如下：

def ctdet_post_process(dets, c, s, h, w, num_classes):
  # dets: batch x max_dets x dim
  # return 1-based class det dict
  ret = []
  # 对于每个batch
  for i in range(dets.shape[0]):
    top_preds = {}
    # 输入dets的左上角，中心点，最长边，(128， 128):heatmap的长宽
    # 得到变换后的dets，怎么变换的还未知
    dets[i, :, :2] = transform_preds(
          dets[i, :, 0:2], c[i], s[i], (w, h))
    # 输入dets的右上角，。。。同理
    dets[i, :, 2:4] = transform_preds(
          dets[i, :, 2:4], c[i], s[i], (w, h))
    classes = dets[i, :, -1]
    # 将第j个类的结果放到top_preds[j+1]中,top_preds是一个dict
    for j in range(num_classes):
      inds = (classes == j)
      top_preds[j + 1] = np.concatenate([
        dets[i, inds, :4].astype(np.float32),
        dets[i, inds, 4:5].astype(np.float32)], axis=1).tolist()
    # 将一张图片的结果放到ret中
    ret.append(top_preds)
  return ret