用 Vision Transformer 做物体探测任务 object detection

---

前言

Transformer 最开始是应用于 NLP 的翻译任务，而后续的实践则证明了 Vision Transformer 也能够用于物体探测等 CV 任务。
本文基于 Vision Transformer，创建了一个不使用卷积、无预设框 anchor free 的物体探测器，下面是用该探测器在 COCO 2017 数据集上做探测任务的效果。

训练环境配置： Keras/TensorFlow 2.9，Python 3.10，WIN 10，Anaconda，Pycharm 以及 Jupyter Lab.

---

1. Vision Transformer 架构

根据原作论文 《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》→ https://arxiv.org/abs/2010.11929，Vision Transformer 的架构如下图。

Vision Transformer 主要由 3 大部分组成：

1. 第 1 部分是预处理 preprocessing，包括将图片切成小块，并加上位置编码 positional encoding 等操作。
2. 第 2 部分是 Transformer Encoder，其作用是获取输入图片的整体信息和局部信息。
3. 第 3 部分是 MLP Head，其作用是通过对张量进行不断地变换，最终得到设定的输出张量。
   

2. Multi-Head Attention

包括 Vision Transformer 在内的各种 Transformer 模型，其最关键的特点，是使用了 Multi-Head Attention 机制。Multi-Head Attention 的主要作用，是把输入的每一个局部信息进行组合，得到整体信息。
而每一个 Multi-Head Attention，都包含了几个 self attention。

2.1 self attention

Transformer 论文中，attention 的表达式如下：

上式是一个很抽象的表达。不过因为 self attention 本身借用了数据库中的名词 query，key，value 进行类比，所以也可以从直观 intuition 的角度来帮助理解。
在将图片切割成多个小块 patches 之后， self attention 操作的 5 个要点如下：

1. 对每一个图片块，提出 1 个问题 q（query）。比如问题 q 可能是 “图片块中是否有猫”，“图片块中是否有狗” 等等。
2. k（key）是关键字，它可以是表示图片块内的物体。如果一个图片块中有猫或狗，那么它的 key 就可以是 “猫” 或 “狗”。
3. 将 q 和 k（key）相乘，得到的是相似度，然后使用 softmax 得到概率值，可以把这个概率值理解为权重。这个概率值（权重）表示的意思是 “对于问题 q，当前图片块 patch 的相关度权重”。
4. 最后将概率值（权重）和 v（value）相乘，就得到了 Attention（Q, K, V）。这个 Attention 的值就可以表示 “对于问题 q，各个图片块的相互关系”。并且当 Q, K, V 都相同时，就是 self attention 。
5. 很重要的一点是：self attention 不仅表示一个图片块，它也包含了整个图片的信息。这是因为在计算过程中，是把各个图片块的权重和 v 一起进行了计算。

关于 self attention 的详细解释，可以参看吴恩达讲解 Transformer 的几个视频：→ https://www.bilibili.com/video/BV1Co4y1279R?p=34

2.2 Multi-Head Attention

Multi-Head Attention 就是把多个 self attention 拼接 concatenate 起来，再乘以一个权重矩阵 W^O 即可。Head 的数量，就是 self attention 的数量。
直观上来理解，Multi-Head Attention 可以表示对图片提出的多个问题，以及对不同问题的答案编码。这些问题可能是 “图片中是否有猫”，“图片的颜色是什么” 等等。

---

——————————————————————————————————————————————————————————————
在 2021 年 v2 版的 Vision Transformer 论文中，是把 ViT（Vision Transformer） 用于物体分类任务。而如果要把 ViT 用于物体探测任务，并且要设计成无预设框的物体探测器 anchor free object detector，则需要在 Vision Transformer 的基础上，对模型、标签以及损失函数等进行重新设计。

3. 设计模型阶段

要得到一个可用的深度学习模型，需要经过 2 个阶段：
第 1 个阶段是设计模型阶段，该阶段的目标是使得模型具备过拟合 overfitting 的能力（这个阶段也常叫做 optimization）。
第 2 个阶段是大规模训练阶段，目标是提高模型的泛化能力 generalization，一般通过使用海量的数据进行训练，以及数据增强手段来实现。

下面主要介绍设计模型阶段的内容。为了快速展现模型的过拟合能力，只使用了 COCO 2017 数据集的 8 张图片，即训练集的第 8 张到第 15 张图片进行训练。

3.1 选择模型架构

使用 Vision Transformer 作为模型主体。2 个需要改动的地方包括：

1. 在前处理部分，因为不是做分类任务，就没有使用 ViT 论文中提到的 “classification token”。
2. 在 MLP 部分，同样因为不是分类任务，所以要把输出结果张量设定为 3D 张量，以配合标签的格式。此外，MLP 部分还需要使用 reshape 或 transpose 等操作，来实现对结果张量形状的控制。具体操作可参见我上传的 vision_transformer_detector.py 文件。

3.2 设计训练数据的格式

训练样本因为是图片，所以是 4D 张量。
而标签部分，则需要用 3D 张量。张量形状为 (batch_size, objects_quantity, 6)。其中 objects_quantity 表示需要探测的物体数量。
对于每一个物体，使用一个长度为 6 的向量来表示。第 0 位表示是否有物体，第 1 位表示类别，后面 4 位则用来表示物体框。
这里并没有使用常见的 one-hot 编码来表示类别。我的考虑是：当使用 one-hot 编码来表示 COCO 数据集的 80 个类别时，类别编码将会是一个稀疏矩阵 sparse tensor，其中大部分数值为 0，这并不是一个很高效的编码方式。因此我只使用了 1 个数值来表示类别。
如果使用 one-hot 编码，通常会配合使用多类别交叉熵 Categorical Crossentropy 来计算损失值。这里因为使用了 1 个数值来表示类别，则需要另外设计一个损失函数来计算分类损失。

3.3 损失函数

模型的完整损失值可以表达为下式：
L_total = L_data + L_{regularization}
其中 L_total 为总的损失值。L_data 代表数据损失，即模型预测值与标签之间的差距导致损失。而 L_{regularization} 则代表权重的正则 regularization 损失（对权重进行 L1 或 L2 regularization 导致的损失）。

3.3.1 设计 L_data 部分的损失函数

在 L_data 部分，Vision Transformer 的损失函数包括 3 部分。这一点和 YOLOv4 系列模型的损失函数类似：

1. objectness 损失。即判断物体框内是否有物体，计算对应的损失。用二元交叉熵即可。
2. 分类损失 classification loss，需要专门设计。下面单独讨论。
3. 物体框的损失。用 CIOU 损失即可。

对于分类损失，常用的是多类别交叉熵 Categorical Crossentropy，但并不是一定要用 Categorical Crossentropy 来计算分类损失。
损失函数的作用，是 表达预测结果和标签之间的差距。因此，只要设计的函数能够很好地表达这个差距，就能够用来做损失函数。下面的实践也证明，用其它函数来计算分类损失，同样可以有较好的效果。
这个分类损失函数，可以表达为：
classification_loss = [c * (x_pred - x_label)]^exponent，其中 exponent = 2n （n ≥ 1），即一个偶数。c 是一个常数。
x_pred 是预测结果，而 x_label 则是标签。
上面式子要求 exponent 是一个偶数，是为了保证损失函数关于直线 x = x_label 对称。
下面是用 plotly 画的几个分类损失函数曲线，其中 x_label = 8，即标签的类别编号是 8。

当预测结果和标签的距离大于 0.5 时（| x_pred - x_label | > 0.5），应该把预测结果理解为另一个类别，认为此时预测发生了错误。设计的损失函数，应该使得此时的损失值很大。
反之，当预测结果和标签的距离小于 0.5 时（| x_pred - x_label | < 0.5），则认为此时预测正确。设计的损失函数，应该使得此时的损失值很小。

3.3.2 避免权重的正则损失 L_{regularization}

使用权重约束 weight constraint 代替 weight regularization（包括 L1 和 L2 regularization），就可以避免权重的正则损失 L_{regularization}。

之所以要避免权重的正则损失 L_{regularization}，是因为当权重的正则损失比较大时，它会对训练模型产生干扰。具体解释如下：

损失值的完整表达式是： L_total = L_data + L_{regularization}
在反向传播的过程中，这两部分损失起的作用不同。L_data 会使得模型的预测值越来越接近标签，即模型变得越来越准确。而 L_{regularization} 则会使得权重越来越接近 0（因为只要权重不为 0，就会有 L_{regularization} 损失。）
假设在训练的某一时刻，模型达到完美，AP 指标为 100%，L_data = 0，此时权重也达到了最优化。但是因为 L_{regularization} 始终存在，会使得权重继续不断地发生变化。如果权重的正则损失 L_{regularization} 比较大，就会使得本来完美的模型再次变得不完美，模型也就永远达不到完美的状态。所以说使用 weight regularization，容易对训练模型产生干扰。

下面是 2 个模型的对比。两个模型基本完全相同，唯一的差异在于：第二个模型对权重使用了 0.05 的 L2 regularization，使得第二个模型的 AP 指标发生了下降。所以从实验的结果也能够看出，当权重的正则损失 L_{regularization} 较大时，它会对训练模型产生干扰。
这是第一个模型训练过程的损失曲线和指标曲线，AP 指标达到了 100%。

下面是第 2 个模型，对权重使用了 0.05 的 L2 regularization。在所有其它条件都完全相同的情况下，AP 指标只能达到 86.67%。

weight regularization 的作用是限制过大的权重，使得模型更简单。而如果将其替换为权重约束 weight constraint，可以达到同样的效果。
一个使用 keras.constraints.Constraint 进行权重约束的例子如下。使用 tf.clip_by_value，即可把权重限制在一个较小的范围。

class ClipWeight(keras.constraints.Constraint):
    """限制权重在一个固定的范围，避免出现过大权重和 NaN。

    Attributes:
        min_weight: 一个浮点数，是权重的最小值。
        max_weight: 一个浮点数，是权重的最大值。
    """

    def __init__(self, max_weight):
        self.min_weight = -max_weight
        self.max_weight = max_weight

    def __call__(self, w):
        # 下面 4 行代码，用于找出权重为 NaN 的位置，把 NaN 权重替换为数值 1。
        nan_weight = tf.math.is_nan(w)          
        w = tf.cond(tf.reduce_any(nan_weight),
                    true_fn=lambda: tf.where(nan_weight, 1.0, w),
                    false_fn=lambda: w)
                    
        return tf.clip_by_value(w, clip_value_min=self.min_weight,
                                clip_value_max=self.max_weight)

    def get_config(self):
        config = super().get_config()
        config.update({'max_weight': self.max_weight})
        return config

3.4 选择指标

对于物体探测器，可以使用 COCO 2017 数据集进行训练，并使用 COCO 的 AP 指标。
为了在训练过程中，看到 AP 指标实时的变化情况，可以用 Keras 创建一个 AP 指标。并且最后可以将训练过程的 AP 指标和损失值一起画出来。
创建 AP 指标的方法，可以参见我的另外一篇文章：→
《用 Keras/TensorFlow 2.8 创建 COCO 的 average precision 指标》，https://blog.csdn.net/drin201312/article/details/123615334

4. 训练过程

4.1 使用 tf.data.Dataset

对训练数据的前处理操作，包括把 COCO 数据集的图片从硬盘加载到内存，并生成训练样本及标签等。
这些前处理操作，涉及到大量的 I/O bound 和 CPU bound 操作，最高效的方式是用 TensorFlow 的 tf.data.Dataset 来做这些前处理。如果是手动编写一个生成器来做这些前处理，效率会比较低。

具体来说，把大量图片从硬盘加载到内存，这是一个很慢的 I/O 过程（相比于 CPU 的计算速度来说），一般可以用异步编程 asynchronous programming 来提高效率。
而把训练数据提供给模型之后，这些前处理操作就处在了等待状态，要一直等待到模型把这批次数据训练结束，才会开始对下一个批次数据做前处理。对这种“等待”的情况，也应该用异步编程 asynchronous programming 来提高效率。

另一方面，把图片转换为张量，并从 COCO 数据集的 annotation 生成标签，则涉及到大量的 CPU 操作，属于 CPU bound 类型的任务。一般可以使用并发多个 Python 进程 processes 的方法，来提高效率。

要使用异步编程，可以用 Python 的 asyncio 模块。而要并发多个 Python 进程，则可以用 Python 的 concurrent.futures 模块。如果想自己手动做这些前处理操作，并且用异步编程和并发多进程来提高效率，可以参见文章：
→ 《Python 中的并发编程和异步编程》， https://blog.csdn.net/drin201312/article/details/126393423

当然，最简便的方法，是直接使用 tf.data.Dataset，可以省去自己很多的编程工作；而且它使用了多进程并发和异步操作，效率很高。tf.data.Dataset 的具体使用方法，可以参看我上传的 vision_transformer_utilities.py 文件。

4.2 用 callback 计算 AP 指标

要想在训练过程中计算实时的 AP 指标，可以用 keras.callbacks.Callback 实现，3 个步骤如下：

1. 在 keras.callbacks.Callback 中创建一个 “评价模型” evaluation_model，该 “评价模型” evaluation_model 专门用于计算 AP 指标，并且它的各种参数和正在训练的模型完全一样。
2. 将 “评价模型” evaluation_model 运行在 eager 模式下。
3. 经过若干个 epochs 训练之后（比如 50 或 100），把正在训练模型的权重，复制给 “评价模型” evaluation_model，再用 “评价模型” 计算一次 AP 指标。

之所以要单独创建一个 “评价模型” evaluation_model，是因为计算 AP 的模型计算图极大，实际无法用图模式来实现。因此要在 eager 模式下，用另外一个 “评价模型” evaluation_model 来计算 AP。
要在 keras.callbacks.Callback 中创建一个模型，可以参见：
→ 《用 Keras/TensorFlow 2.9 创建深度学习模型的方法总结》， https://blog.csdn.net/drin201312/article/details/125098197

4.3 调参

前面的步骤都设置好了之后，就可以开始调参。
调参时可以使用 2 个策略，第一个策略是分组，第二个策略是使用快速排序算法和网格搜索。

4.3.1 分组策略

训练模型中通常会有很多的超参，可以将它们先分成几个组，每一个组的超参和其它组基本无关。然后分组搜索超参，在搜索一个组时，其它组的超参保持不变。
例如某个模型有 20 个超参，可以把它们分成 6 个组，不同组之间的超参没有直接关系。进行超参搜索时，可以先搜索一个组内部的 3 到 4 个超参，其它 5 个组的超参保持不变。这样就可以避免同时搜索 20 个超参，这 20 个超参组合带来的庞大搜索空间的问题。

4.3.2 快速排序算法 quick sort 和网格搜索 grid search

将超参进行分组之后，下一步就是使用快速排序算法和网格搜索。

1. 快速排序算法的要点是：每一次搜索之后，都应该把搜索空间缩小一半，这样就能以最快速度找到最佳的超参。

快速排序算法应用最明显的例子，是猜数字游戏。
假设有 1 到 100 之间的 100 个数字，最佳超参是这 100 个数字中的某一个。要求你以最快速度猜出最佳超参。你在猜了一次之后，会告知你猜的结果比最佳超参更大或者更小。
此时使用快速排序算法，就应该每次都猜中间的数字。比如说第一次猜 50，假如反馈的结果是最佳超参比 50 小，那么可以立即将搜索空间缩小一半，变为 [0, 50] 之间。
下一次则直接猜 25，继续把搜索空间缩小一半。如此不断循环，就能以最快速度找出最佳超参。

具体实施时，每次使用 4 或是 5 个数值，把搜索空间均匀地划分为 3 段或 4 段。
例如对于 [1, 100] 这个搜索空间，使用 1， 25, 50, 75, 100，这 5 个数字进行尝试。如果数字 25 使得模型的损失值最小，则可以把搜索空间缩小到 [1, 50] 这个范围，即搜索空间缩小了一半。然后不断重复这个搜索方式即可。

2. 网格搜索 grid search。

使用网格搜索的原因在于，有些参数是直接相关的，它们要相互组合才能得出最佳结果。在经过前面参数分组之后，就可以使用网格搜索。
例如损失函数由 3 部分组成：objectness 损失，分类损失和 CIOU 损失。假设这 3 个损失的比例系数为 a, b, c，且 a + b + c = 1。这种情况下，3 个超参 a, b, c 就是直接相关，它们的某一个组合能使得模型的性能最好。所以应该同时搜索这 3 个超参 a, b, c。
和网格搜索相对的是随机搜索 random search。随机搜索的问题是，对于那些相关度很高的超参，它可能会错过超参的最佳组合。比如上面的损失函数比例系数 a, b, c 的情况。

使用网格搜索时，会面临搜索次数较大的问题。此时可以配合使用更少量的数据，以及较少的迭代次数，来加快超参的搜索。
比如对于 COCO 数据集的 12 万张图片，搜索超参时可以使用 50 张或 100 张图片，并且使用 5 或 6 个 epochs。这是因为一个好的超参组合，在图片数量不多，迭代次数也不多的情况下，依然能够最快地降低模型的损失值。

4.4 画出损失和指标

训练结束后，可以用 plotly，画出训练过程的损失值和 AP 指标。如下图。
和 matplotlib 相比，plotly 更为好用。plotly 有 3 个特点：

1. 交互显示。即把光标移动到折线图的任一数据点，能够显示该点的 epochs，损失值或指标信息。并且 plotly 能够把损失值和指标画在同一个图上。
2. 生成的折线图是一个 html 文件，会在浏览器一个单独的页面中打开。并且在折线图的顶部，能够自定义显示自己需要的汇总信息，比如最佳指标，learning rate，epochs 等等。
3. 因为是一个 html 文件，它可以自动保存到硬盘上，方便后续查看对比。

---

5. ablation test 切除实验

Ablation test 是切除实验，也就是切除掉模型中的某个部分，看模型的性能是否发生变化。如果模型性能基本不变，则说明被切除的部分可能作用不大。
5 个有意思的发现如下：

1. position encoding 似乎作用不大。在切除 ablate 掉 position encoding 之后，模型的性能几乎没有变化。这或许是因为，对于 NLP 的语言模型来说，单词的顺序很重要。但是对于图片来说，顺序没有那么重要。即假设一个图片块中有只猫，那么不论该图片块是在图片的左上角还是右下角，都不会改变 “图片块中有猫” 的这个性质。
2. Multi-Head Attention 是关键组成。
3. 在 Encoder 部分：MLP 前面的 layer normalization 是关键，而 Multi-Head Attention 前面的 layer normalization 则似乎作用不大。
4. 在 Encoder 部分的 MLP 中，激活函数 activation 似乎作用不大。
5. 在 MLP Head 部分，激活函数 activation 也是关键组成。

需要注意的是，上面 5 个 ablation test 是针对物体探测任务的。如果是其它任务，这些 ablation test 也可能不成立。
这也说明，Vision Transformer 本身，还有很多有趣的地方可以研究。

从 ablation test 可以得到的启发，或许有 2 点：

1. Vision Transformer 模型需要通过 Multi-Head Attention，才能获取图片的整体信息。
2. 使用了足够的非线性变换之后，才能把模型变为一个足够复杂的方程，使其能够完成 CV 任务。

6. 下载地址

一共有 8 个相关文件，如下图。下载地址是：
Gitee →： https://gitee.com/drin202209/vision_transformer_detector
GitHub →：https://github.com/westlake-moonlight/vision_transformer_detector

6.1 设置文件路径

将 8 个文件放在同一个文件夹，然后要在 2 个 Python 文件中进行设置。

1. 在 vision_transformer_utilities.py 中，设置 4 个文件路径：PATH_IMAGE_TRAIN，PATH_IMAGE_VALIDATION，TRAIN_ANNOTATIONS 和 VALIDATION_ANNOTATIONS。它们都是存放 COCO 2017 数据集的文件路径。
2. 在 coco_statistics.py 中，设置 5 个文件路径：
   PATH_IMAGE_TRAIN，PATH_IMAGE_VALIDATION，它们都是存放 COCO 2017 数据集的文件路径。
   另外 3 个路径是 PATH_TRAIN_ANNOTATIONS_DICT，PATH_VAL_ANNOTATIONS_DICT 和 PATH_FULL_CATEGORIES。它们对应的是下载的 8 个文件中的 3 个，这 3 个文件主要用于对 COCO 数据集进行统计。

6.2 使用文件

6.2.1 训练模型

训练模型时，用 Jupyter Lab 打开下载的 vision_transformer_detector.ipynb，直接运行即可。

6.2.2 对 COCO 2017 数据集进行统计

在计算 AP 指标时，计算会比较慢。为了避免浪费时间，可以使用较小的参数来计算 AP，这时就需要对 COCO 数据集进行统计。
具体操作如下：

1. 在 vision_transformer_detector.ipynb 中，最底部的 cell，是对 COCO 数据集进行统计的部分。当图片数量大于 1 万张时，它会并发多个 Python 进程来进行计算（如果用单进程计算 COCO 的 12 万张图片，耗时极长）。
2. 运行这个 cell，可以看到如下统计结果（这里假设用了 1 万张图片进行训练）。根据统计结果，对 vision_transformer_detector.py 中的模块常量 Constants 进行下面 3 项设置。
   
3. 设置 MAX_DETECT_OBJECTS_QUANTITY，可以设为 57，大于统计的最大标注数量 56 即可（这个统计数字 56 是针对一张图片，不区分类别的统计）。
4. 设置 BBOXES_PER_IMAGE，可以设为 21，大于统计的最大标注数量 20 即可（这个统计数字 20 是在一张图片之内，针对各个类别的统计，比如图中编号为 18 和编号为 16 的类别）。
5. 对于 LATEST_RELATED_IMAGES，可以考虑设置一个较小的数，比如 10 或者 20。这是因为 person 这个类别，数量极大，如果使用统计的 5438，会使得 AP 计算极为缓慢（有超级计算机的除外）。

6.2.3 测试文件

testcases_vision_transformer_detector.py 是一个测试文件。里面放了 2 个测试盒 testcase，一个盒子用来测试 AP 指标，另外一个盒子用来测试损失函数。
如果需要修改 AP 指标或者是损失函数，那么在修改完成后，应该用测试盒测试一下，尽量减少程序中的 bug。在企业中，还需要测试团队进行完整的测试。

7. 主要参考资料

7.1 Vision Transformer 论文：
《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》→ https://arxiv.org/abs/2010.11929
7.2 Transformer 论文：
《Attention Is All You Need》→ https://arxiv.org/abs/1706.03762
7.3 吴恩达教授讲解的 Multi-Head Attention：
《Self Attention》 → https://www.bilibili.com/video/BV1Co4y1279R?p=34
《Multi-Head Attention》 → https://www.bilibili.com/video/BV1Co4y1279R?p=35
吴恩达教授总是能够深入浅出，用简单的语言解释清楚复杂的概念。非常好！
7.4 《Deep Learning with Python, Second Edition》 →https://www.manning.com/books/deep-learning-with-python-second-edition
在 Transformer 模型中，FRANÇOIS CHOLLET 没有使用原论文硬编码方式的 positonal encoding，而是使用了一个更简单高效的 embedding 向量来进行 positonal encoding，是一个很巧妙的做法。
7.5 Keras 官网示例代码：
《Object detection with Vision Transformers》 → https://keras.io/examples/vision/object_detection_using_vision_transformer/
这个官网代码展示了一个简单的 Vision Transformer 模型，它能够预测出一个物体框。可以作为学习 Vision Transformer 的入门代码。
虽然它只能用于 1 个类别，但是它展现了一种可能，即可以把 Vision Transformer 应用到物体探测任务上。

---

——————————本文结束——————————