Yolov3详解笔记及Pytorch代码
预测部分
网络结构
DBL:图中左下角所示,也就是代码中的Darknetconv2d_BN_leaky,是yolov3基本组件。就是卷积+BN+leaky relu。对于v3来说,BN和leaky relu和卷积组成不可分离部分,共同组成最小组件。
resn:n代表数字,表示这个res_block含有多少个res_unit。这是yolov3的大组件,yolov3借鉴了resnet的残差结构,这种结构容易优化,能够增加网络深度来提升准确率,跳跃链接缓解了深度神经网络增加深度带来的梯度消失问题。res_unit也是由基本组件DBL构成的。
concat:张量拼接。将darknet的中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层的add操作是不一样的,拼接会扩充张量的维度,而add只是直接相加不会导致张量维度的改变。
backbone:Darknet-53
yolov3使用darknet-53的前52层(没有全连接层),yolov3结构里没有池化层和全连接层。前向传播过程中,张量的尺寸变换时通过改变卷积核的步长来实现的stride=(2,2),这就等于将图像边长缩小了一半(面积缩小到1/4)。
yolov3要经历5次缩小,会将特征图缩小到原输入尺寸的1/32。输入为416x416,输出为13x13。所以通常要求输入图片的32的倍数。
为了加强算法对小目标检测的精确度,yolov3中采用类似FPN(feature pyramid networks)的upsample和融合做法(融合了3个scale,13x13,26x26,52x52),在多个scale的feature map上做检测。
实现代码为:
import torch
import torch.nn as nn
import math
from collections import OrderedDict
# 基本的darknet块,图中的Res_unit
class BasicBlock(nn.Module):
def __init__(self, inplanes, planes):
super(BasicBlock, self).__init__()
self.conv1 = nn.Conv2d(inplanes, planes[0], kernel_size=1,
stride=1, padding=0, bias=False)
self.bn1 = nn.BatchNorm2d(planes[0])
self.relu1 = nn.LeakyReLU(0.1)
self.conv2 = nn.Conv2d(planes[0], planes[1], kernel_size=3,
stride=1, padding=1, bias=False)
self.bn2 = nn.BatchNorm2d(planes[1])
self.relu2 = nn.LeakyReLU(0.1)
def forward(self, x):
residual = x
out = self.conv1(x)
out = self.bn1(out)
out = self.relu1(out)
out = self.conv2(out)
out = self.bn2(out)
out = self.relu2(out)
out += residual
return out
class DarkNet(nn.Module):
def __init__(self, layers):
super(DarkNet, self).__init__()
self.inplanes = 32
self.conv1 = nn.Conv2d(3, self.inplanes, kernel_size=3, stride=1, padding=1, bias=False)
self.bn1 = nn.BatchNorm2d(self.inplanes)
self.relu1 = nn.LeakyReLU(0.1)
self.layer1 = self._make_layer([32, 64], layers[0])
self.layer2 = self._make_layer([64, 128], layers[1])
self.layer3 = self._make_layer([128, 256], layers[2])
self.layer4 = self._make_layer([256, 512], layers[3])
self.layer5 = self._make_layer([512, 1024], layers[4])
self.layers_out_filters = [64, 128, 256, 512, 1024]
# 进行权值初始化
for m in self.modules():
if isinstance(m, nn.Conv2d):
n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
m.weight.data.normal_(0, math.sqrt(2. / n))
elif isinstance(m, nn.BatchNorm2d):
m.weight.data.fill_(1)
m.bias.data.zero_()
# 图中的resn
def _make_layer(self, planes, blocks):
layers = []
# 下采样,步长为2,卷积核大小为3
layers.append(("ds_conv", nn.Conv2d(self.inplanes, planes[1], kernel_size=3,
stride=2, padding=1, bias=False)))
layers.append(("ds_bn", nn.BatchNorm2d(planes[1])))
layers.append(("ds_relu", nn.LeakyReLU(0.1)))
# 加入darknet模块,res_unit
self.inplanes = planes[1]
for i in range(0, blocks):
layers.append(("residual_{}".format(i), BasicBlock(self.inplanes, planes)))
return nn.Sequential(OrderedDict(layers))
def forward(self, x):
x = self.conv1(x)
x = self.bn1(x)
x = self.relu1(x)
x = self.layer1(x)
x = self.layer2(x)
out3 = self.layer3(x)
out4 = self.layer4(out3)
out5 = self.layer5(out4)
return out3, out4, out5
# Darnet-53整体结构,调用Darknet
def darknet53(pretrained, **kwargs):
model = DarkNet([1, 2, 8, 8, 4])
if pretrained:
if isinstance(pretrained, str):
model.load_state_dict(torch.load(pretrained))
else:
raise Exception("darknet request a pretrained path. got [{}]".format(pretrained))
return model
output
作者在3条预测支路采用的也是全卷积的结构,其中最后一个卷积层的卷积核个数是255,是针对coco数据集的80类:3x(80+4+1)=255,3表示每个网格单元预测3个box,每个box需要有(x,y,w,h,confidence)五个基本参数,还要有80个类别的概率。
具体来看y1,y2,y3是如何来的
网络中作者进行了3次检测,分别在32倍降采样,16倍降采样,8倍降采样时进行检测,多尺度的feature map上进行预测。
网络中使用upsample(上采样)的原因:网络越深的特征表达越好。比如在进行16倍降采样检测时,如果直接使用第四次下采样的特征来检测,这样就使用了浅层特征,效果一般不好。如果想使用32倍降采样后的特征,但深层特征的大小太小,因此yolov3使用了步长为2的upsample(上采样),吧32倍降采样得到的feature map的大小提升一倍,也就是成了16倍降采样后的维度。同理8倍采样也是对16倍降采样的特征进行步长为2的上采样,这样可以使用深层特征进行检测。
作者通过上采样将深层特征提取,其维度时与将要融合的特征层维度相同的(channel不同)。如下图,85层将13x13x256的特征上采样得到26x26x256,再将其与61层的特征拼接起来得到26x26x768。为了得到channel255,还需进行一系列3x3,1x1卷积操作,这样既可以提高非线性程度增加泛化性提高网络精度,又能减少参数提高实时性。
13x13x255就是81层得到的特征,没有进行concat。
52x52x255是97层将特征26x26x128上采样到52x52x128,然后融合36层得到的52x52x256,得到52x52x384,后再进行1x1,3x3卷积得到最终channel255。
使用pytorch,它的通道数默认在第一位。输入N张416x416的图片,经过多层计算后,会输出三个shape分别为(N,255,13,13),(N,255,26,26),(N,255,52,52)的数据,对应每个图分为13x13,26x26,52x52的网格上3个先验框的位置。
import torch
import torch.nn as nn
from collections import OrderedDict
from nets.darknet import darknet53
def conv2d(filter_in, filter_out, kernel_size):
pad = (kernel_size - 1) // 2 if kernel_size else 0
return nn.Sequential(OrderedDict([
("conv", nn.Conv2d(