一、yolov1 bounding box
bounding box是怎么产生的?回归产生的,回归?哎呀,妈呀,回归是什么我都忘记了,好吧,我来举个初中的线性回归例子简单回顾一下
有两组数据A和B
A = [1,2,3,4,5]
B = [2,4,6,8,10]
利用回归的思想预测当A为6的时候B对应的值是多少
很明显回归参数就是2,回归程为y = 2x,所以A为6的时候B对应的值应该是12,这就是最简单的回归思路了。
然后yolo1中提到的就是直接利用整幅图像经过网络结构产生7*7的grid cell,每个grid cell预测x,y,w,h,confidence等几个值,其中confidence就是IOU的值啦。关键这个bounding box怎么回归产生的,对我这种小白来说还是纠结了好几天才算理解到一丢丢,所以赶紧小笔记记一下,欢迎各位大佬斧正(请原谅我想多了,就我这个级别的blog还有大佬看[笑哭])
好,我们去看一下Annotation里面的XML文件,截取一部分看一下
看到标注文件里面的Bounding box的格式了没,都是由[xmin,xmax,ymin,ymax]组成,中心坐标呢?
回顾yolov1论文还说要把坐标和长宽归一化,你中心坐标都没有如何回归?最后在scipts找到了vol_label.py文件才知道中心坐标是根据标签中的xmin,xmax,ymin,ymax计算出来的,哈哈哈,详见下面代码注释。
def convert(size, box):
dw = 1./size[0] # 归一化的时候就是使用宽度除以整个image_size的宽度
dh = 1./size[1] # 归一化的时候就是使用高度除以整个image_size的高度
x = (box[0] + box[1])/2.0 # 使用(xmin+xmax)/2得到x的中心点
y = (box[2] + box[3])/2.0 # 使用(ymin+ymax)/2得到y的中心点
w = box[1] - box[0] # 然后宽度就是使用xmax-xmin计算得到
h = box[3] - box[2] # 然后高度就是使用ymax-ymin计算得到
x = x*dw # 归一化中心坐标x
w = w*dw # 归一化bbox宽度
y = y*dh # 归一化中心坐标y
h = h*dh # 归一化bbox高度
return (x,y,w,h)
def convert_annotation(year, image_id):
in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
tree=ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
# 获取标注中bbox的数据并以元组方式返回
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
# 向convert传入size = (w,h),和b,注释中分别是(xmin,xmax,ymin,ymax)
bb = convert((w,h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
有了中心坐标x,y和bbox的w,h这样就可以愉快地训练出回归参数了
待更... ..