DarkNet框架下YOLO-v4算法推理过程的特征图可视化

最新推荐文章于 2024-09-13 17:43:18 发布
最新推荐文章于 2024-09-13 17:43:18 发布
阅读量2.4k 收藏 22
点赞数 4
文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/playezio/article/details/108885441
版权
本文介绍了如何修改DarkNet源代码以实现全通道特征图可视化。通过在network_kernel.cu文件中添加新函数，保存并可视化YOLO-v4推理过程中的中间计算结果。在推理过程中，对每个计算层的特征图进行转换并保存为图片，最终利用Python将这些图片拼接成一张大图，以便于分析和理解网络的内部工作原理。
摘要由CSDN通过智能技术生成

说明

本篇文章针对AB版DarkNet源代码进行了修改，添加了一些函数，进行全通道特征图可视化。主要针对YOLO-v4推理过程中，对中间计算结果的特征图数据进行转换，将转换结果用表示成图片进行保存。

DarkNet源代码修改

在network_kernel.cu文件中加入以下代码：

image float_to_cow_image(int w, int h, int c, float *data, int ai)
{
	char tp[1000];
	//保存文件到特定文件夹（feature_txt）中并根据ai大小命名
	//sprintf(tp, "E:\\yolov4\\feature_save\\out_%d.txt", ai);
	//FILE * stream = fopen(tp, "w+");
	//创建一个1维的空图片
	image out = make_empty_image(w, h, 1);
	for (int k = 0; k < c; k++) {
		if (ai < 10)
			sprintf(tp, "E:\\yolov4\\feature_pic\\out_000%d", ai);
		else
			sprintf(tp, "E:\\yolov4\\feature_pic\\out_00%d", ai);
		mkdir(tp);
		if (ai < 10)
			sprintf(tp, "E:\\yolov4\\feature_txt\\out_000%d", ai);
		else
			sprintf(tp, "E:\\yolov4\\feature_txt\\out_00%d", ai);
		mkdir(tp);
		if (ai < 10)
			sprintf(tp, "E:\\yolov4\\feature_txt\\out_000%d\\out_000%d_%d.txt", ai, ai, k);
		else
			sprintf(tp, "E:\\yolov4\\feature_txt\\out_00%d\\out_00%d_%d.txt", ai, ai, k);

		FILE * stream = fopen(tp, "w+");

		int i, j;
		//设计一个数组保存该图片内容
		float * tempData = (float*)calloc(w*h, sizeof(float));
		//初始化
		for (i = 0; i < w*h; i++)
		{
			tempData[i] = 0;
		}
		for (i = 0; i < w*h; i++)
		{
			tempData[i] = 1.0 / (1 + exp(-1 * data[k*w*h + i]));
		}
		//保存到文件
		for (i = 0; i < w*h; i++)
		{
			tempData[i] *= 255;
			fprintf(stream, " %f", tempData[i]);
			if ((i + 1) % w == 0)
				fprintf(stream, "\n");
		}
		//关闭文件流
		fclose(stream);
		out.data = tempData;
	}
	return out;
}

image get_network_cow_image_layer(network *net, int i)
{
	//    image a;
	layer l = net->layers[i];

#ifdef GPU
	cuda_pull_array(l.output_gpu, l.output, l.outputs);
#endif
	printf("w:%d,h:%d,c:%d\n", l.out_w, l.out_h, l.out_c);
	if (l.out_w && l.out_h && l.out_c) {
		//        return a;
		return float_to_cow_image(l.out_w, l.out_h, l.out_c, l.output, i);
	}
	image def = { 0 };
	return def;
}

在network_kernel.cu文件的forward_network_gpu函数中加入如下代码：

if(net.wait_stream)
            cudaStreamSynchronize(get_cuda_stream());
        state.input = l.output_gpu;
		bool show_featuremap = true;
		if (show_featuremap) {
			//这个函数是新加的，用来得到图片保存图片
			image tmp = get_network_cow_image_layer(&net, i);
		}

重新生成darknet.exe

进行推理

新建目录，准备文件夹

进入darknet.exe所在文件夹，执行cmd，输入命令：

darknet.exe detector test cfg/coco.data yolov4.cfg yolov4.weights -i 0 -thresh 0.25 -ext_output dog.jpg


pause

推理执行中，显示如下：


E:\yolov4\darknet\build\darknet\x64>darknet.exe detector test cfg/coco.data yolov4.cfg yolov4.weights -i 0 -thresh 0.25 -ext_output dog.jpg
 CUDA-version: 9000 (9000), cuDNN: 7.1.4, GPU count: 1
 OpenCV version: 4.0.1
 0 : compute_capability = 610, cudnn_half = 0, GPU: Quadro P6000
net.optimized_memory = 0
mini_batch = 1, batch = 8, time_steps = 1, train = 0
   layer   filters  size/strd(dil)      input                output
   0 conv     32       3 x 3/ 1    608 x 608 x   3 ->  608 x 608 x  32 0.639 BF
   1 conv     64       3 x 3/ 2    608 x 608 x  32 ->  304 x 304 x  64 3.407 BF
   2 conv     64       1 x 1/ 1    304 x 304 x  64 ->  304 x 304 x  64 0.757 BF
   3 route  1                                      ->  304 x 304 x  64
   4 conv     64       1 x 1/ 1    304 x 304 x  64 ->  304 x 304 x  64 0.757 BF
   5 conv     32       1 x 1/ 1    304 x 304 x  64 ->  304 x 304 x  32 0.379 BF
   6 conv     64       3 x 3/ 1    304 x 304 x  32 ->  304 x 304 x  64 3.407 BF
   7 Shortcut Layer: 4,  wt = 0, wn = 0, outputs: 304 x 304 x  64 0.006 BF
   8 conv     64       1 x 1/ 1    304 x 304 x  64 ->  304 x 304 x  64 0.757 BF
   9 route  8 2                                    ->  304 x 304 x 128
  10 conv     64       1 x 1/ 1    304 x 304 x 128 ->  304 x 304 x  64 1.514 BF
  11 conv    128       3 x 3/ 2    304 x 304 x  64 ->  152 x 152 x 128 3.407 BF
  12 conv     64       1 x 1/ 1    152 x 152 x 128 ->  152 x 152 x  64 0.379 BF
  13 route  11                                     ->  152 x 152 x 128
  14 conv     64       1 x 1/ 1    152 x 152 x 128 ->  152 x 152 x  64 0.379 BF
  15 conv     64       1 x 1/ 1    152 x 152 x  64 ->  152 x 152 x  64 0.189 BF
  16 conv     64       3 x 3/ 1    152 x 152 x  64 ->  152 x 152 x  64 1.703 BF
  17 Shortcut Layer: 14,  wt = 0, wn = 0, outputs: 152 x 152 x  64 0.001 BF
  18 conv     64       1 x 1/ 1    152 x 152 x  64 ->  152 x 152 x  64 0.189 BF
  19 conv     64       3 x 3/ 1    152 x 152 x  64 ->  152 x 152 x  64 1.703 BF
  20 Shortcut Layer: 17,  wt = 0, wn = 0, outputs: 152 x 152 x  64 0.001 BF
  21 conv     64       1 x 1/ 1    152 x 152 x  64 ->  152 x 152 x  64 0.189 BF
  22 route  21 12                                  ->  152 x 152 x 128
  23 conv    128       1 x 1/ 1    152 x 152 x 128 ->  152 x 152 x 128 0.757 BF
  24 conv    256       3 x 3/ 2    152 x 152 x 128 ->   76 x  76 x 256 3.407 BF
  25 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
  26 route  24                                     ->   76 x  76 x 256
  27 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
  28 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  29 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  30 Shortcut Layer: 27,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  31 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  32 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  33 Shortcut Layer: 30,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  34 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  35 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  36 Shortcut Layer: 33,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  37 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  38 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  39 Shortcut Layer: 36,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  40 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  41 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  42 Shortcut Layer: 39,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  43 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  44 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  45 Shortcut Layer: 42,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  46 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  47 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  48 Shortcut Layer: 45,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  49 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  50 conv    128       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 128 1.703 BF
  51 Shortcut Layer: 48,  wt = 0, wn = 0, outputs:  76 x  76 x 128 0.001 BF
  52 conv    128       1 x 1/ 1     76 x  76 x 128 ->   76 x  76 x 128 0.189 BF
  53 route  52 25                                  ->   76 x  76 x 256
  54 conv    256       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 256 0.757 BF
  55 conv    512       3 x 3/ 2     76 x  76 x 256 ->   38 x  38 x 512 3.407 BF
  56 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
  57 route  55                                     ->   38 x  38 x 512
  58 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
  59 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  60 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  61 Shortcut Layer: 58,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  62 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  63 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  64 Shortcut Layer: 61,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  65 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  66 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  67 Shortcut Layer: 64,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  68 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  69 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  70 Shortcut Layer: 67,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  71 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  72 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  73 Shortcut Layer: 70,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  74 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  75 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  76 Shortcut Layer: 73,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  77 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  78 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  79 Shortcut Layer: 76,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  80 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  81 conv    256       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 256 1.703 BF
  82 Shortcut Layer: 79,  wt = 0, wn = 0, outputs:  38 x  38 x 256 0.000 BF
  83 conv    256       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 256 0.189 BF
  84 route  83 56                                  ->   38 x  38 x 512
  85 conv    512       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 512 0.757 BF
  86 conv   1024       3 x 3/ 2     38 x  38 x 512 ->   19 x  19 x1024 3.407 BF
  87 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
  88 route  86                                     ->   19 x  19 x1024
  89 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
  90 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
  91 conv    512       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x 512 1.703 BF
  92 Shortcut Layer: 89,  wt = 0, wn = 0, outputs:  19 x  19 x 512 0.000 BF
  93 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
  94 conv    512       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x 512 1.703 BF
  95 Shortcut Layer: 92,  wt = 0, wn = 0, outputs:  19 x  19 x 512 0.000 BF
  96 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
  97 conv    512       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x 512 1.703 BF
  98 Shortcut Layer: 95,  wt = 0, wn = 0, outputs:  19 x  19 x 512 0.000 BF
  99 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
 100 conv    512       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x 512 1.703 BF
 101 Shortcut Layer: 98,  wt = 0, wn = 0, outputs:  19 x  19 x 512 0.000 BF
 102 conv    512       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.189 BF
 103 route  102 87                                 ->   19 x  19 x1024
 104 conv   1024       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x1024 0.757 BF
 105 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 106 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 107 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 108 max                5x 5/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.005 BF
 109 route  107                                            ->   19 x  19 x 512
 110 max                9x 9/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.015 BF
 111 route  107                                            ->   19 x  19 x 512
 112 max               13x13/ 1     19 x  19 x 512 ->   19 x  19 x 512 0.031 BF
 113 route  112 110 108 107                        ->   19 x  19 x2048
 114 conv    512       1 x 1/ 1     19 x  19 x2048 ->   19 x  19 x 512 0.757 BF
 115 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 116 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 117 conv    256       1 x 1/ 1     19 x  19 x 512 ->   19 x  19 x 256 0.095 BF
 118 upsample                 2x    19 x  19 x 256 ->   38 x  38 x 256
 119 route  85                                     ->   38 x  38 x 512
 120 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 121 route  120 118                                ->   38 x  38 x 512
 122 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 123 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 124 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 125 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 126 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 127 conv    128       1 x 1/ 1     38 x  38 x 256 ->   38 x  38 x 128 0.095 BF
 128 upsample                 2x    38 x  38 x 128 ->   76 x  76 x 128
 129 route  54                                     ->   76 x  76 x 256
 130 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
 131 route  130 128                                ->   76 x  76 x 256
 132 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
 133 conv    256       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 256 3.407 BF
 134 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
 135 conv    256       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 256 3.407 BF
 136 conv    128       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 128 0.379 BF
 137 conv    256       3 x 3/ 1     76 x  76 x 128 ->   76 x  76 x 256 3.407 BF
 138 conv    255       1 x 1/ 1     76 x  76 x 256 ->   76 x  76 x 255 0.754 BF
 139 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, cls_norm: 1.00, scale_x_y: 1.20
nms_kind: greedynms (1), beta = 0.600000
 140 route  136                                            ->   76 x  76 x 128
 141 conv    256       3 x 3/ 2     76 x  76 x 128 ->   38 x  38 x 256 0.852 BF
 142 route  141 126                                ->   38 x  38 x 512
 143 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 144 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 145 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 146 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 147 conv    256       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 256 0.379 BF
 148 conv    512       3 x 3/ 1     38 x  38 x 256 ->   38 x  38 x 512 3.407 BF
 149 conv    255       1 x 1/ 1     38 x  38 x 512 ->   38 x  38 x 255 0.377 BF
 150 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, cls_norm: 1.00, scale_x_y: 1.10
nms_kind: greedynms (1), beta = 0.600000
 151 route  147                                            ->   38 x  38 x 256
 152 conv    512       3 x 3/ 2     38 x  38 x 256 ->   19 x  19 x 512 0.852 BF
 153 route  152 116                                ->   19 x  19 x1024
 154 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 155 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 156 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 157 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 158 conv    512       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 512 0.379 BF
 159 conv   1024       3 x 3/ 1     19 x  19 x 512 ->   19 x  19 x1024 3.407 BF
 160 conv    255       1 x 1/ 1     19 x  19 x1024 ->   19 x  19 x 255 0.189 BF
 161 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, cls_norm: 1.00, scale_x_y: 1.05
nms_kind: greedynms (1), beta = 0.600000
Total BFLOPS 128.459
avg_outputs = 1068395
 Allocate additional workspace_size = 33.55 MB
Loading weights from yolov4.weights...
 seen 64, trained: 32032 K-images (500 Kilo-batches_64)
Done! Loaded 162 layers from weights-file
w:608,h:608,c:32
w:304,h:304,c:64
w:304,h:304,c:64
w:304,h:304,c:64
w:304,h:304,c:64
w:304,h:304,c:32
w:304,h:304,c:64
w:304,h:304,c:64
w:304,h:304,c:64
w:304,h:304,c:128
w:304,h:304,c:64
w:152,h:152,c:128
w:152,h:152,c:64
w:152,h:152,c:128
w:152,h:152,c:64
w:152,h:152,c:64
w:152,h:152,c:64
w:152,h:152,c:64
w:152,h:152,c:64
w:152,h:152,c:64
w:152,h:152,c:64
w:152,h:152,c:64
w:152,h:152,c:128
w:152,h:152,c:128
w:76,h:76,c:256
w:76,h:76,c:128
w:76,h:76,c:256
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:128
w:76,h:76,c:256
w:76,h:76,c:256
w:38,h:38,c:512
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:512
w:19,h:19,c:1024
w:19,h:19,c:512
w:19,h:19,c:1024
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:1024
w:19,h:19,c:1024
w:19,h:19,c:512
w:19,h:19,c:1024
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:512
w:19,h:19,c:2048
w:19,h:19,c:512
w:19,h:19,c:1024
w:19,h:19,c:512
w:19,h:19,c:256
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:256
w:38,h:38,c:128
w:76,h:76,c:128
w:76,h:76,c:256
w:76,h:76,c:128
w:76,h:76,c:256
w:76,h:76,c:128
w:76,h:76,c:256
w:76,h:76,c:128
w:76,h:76,c:256
w:76,h:76,c:128
w:76,h:76,c:256
w:76,h:76,c:255
w:76,h:76,c:255
w:76,h:76,c:128
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:256
w:38,h:38,c:512
w:38,h:38,c:255
w:38,h:38,c:255
w:38,h:38,c:256
w:19,h:19,c:512
w:19,h:19,c:1024
w:19,h:19,c:512
w:19,h:19,c:1024
w:19,h:19,c:512
w:19,h:19,c:1024
w:19,h:19,c:512
w:19,h:19,c:1024
w:19,h:19,c:255
w:19,h:19,c:255
dog.jpg: Predicted in 90334.152000 milli-seconds.
bicycle: 92%    (left_x:  114   top_y:  128   width:  458   height:  299)
dog: 98%        (left_x:  129   top_y:  225   width:  184   height:  317)
truck: 92%      (left_x:  464   top_y:   77   width:  221   height:   93)
pottedplant: 33%        (left_x:  681   top_y:  109   width:   37   height:   45)

推理完毕，生成txt：

将txt转换为图片

使用python实现，代码如下：

import os
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import matplotlib.image as mpimg

def process(filepath,outpath):
    for fileName in os.listdir(filepath):
        a=np.loadtxt(filepath+"/"+fileName)        
        im = Image.fromarray(np.uint8(a))
        plt.title(fileName)
        plt.imshow(im),plt.axis('off')
        im.save(outpath+"/"+fileName[:-4]+".jpg")
        #plt.savefig(outpath+"/"+fileName[:-4]+".jpg",bbox_inches="tight",transparent=True,pad_inches=0)
   
# 定义图像拼接函数
def image_compose(IMAGE_SIZE,IMAGE_ROW,IMAGE_COLUMN,image_names,IMAGE_SAVE_PATH):
    to_image = Image.new('RGB', (IMAGE_COLUMN * IMAGE_SIZE, IMAGE_ROW * IMAGE_SIZE)) #创建一个新图
    # 循环遍历，把每张图片按顺序粘贴到对应位置上
    for y in range(1, IMAGE_ROW + 1):
        for x in range(1, IMAGE_COLUMN + 1):
            from_image = Image.open(IMAGES_PATH + image_names[IMAGE_COLUMN * (y - 1) + x - 1]).resize(
                (IMAGE_SIZE, IMAGE_SIZE),Image.ANTIALIAS)
            to_image.paste(from_image, ((x - 1) * IMAGE_SIZE, (y - 1) * IMAGE_SIZE))
    return to_image.save(IMAGE_SAVE_PATH) # 保存新图
      
if __name__ == "__main__":
	outpath = "E:\\yolov4\\feature_pic"
	filepath="E:\\yolov4\\feature_txt"

	IMAGES_FORMAT = ['.jpg', '.JPG']  # 图片格式
	IMAGE_SIZE_t = [512,256,256,128,128,64,64,32,32,32,32,32,32,32,32]  # 每张小图片的大小
	IMAGE_ROW_t = [4,4,4,4,8,8,8,8,8,8,8,8,8,5,5]  # 图片间隔，也就是合并成一张图后，一共有几行
	IMAGE_COLUMN_t = [4,4,4,4,4,4,4,4,8,8,8,8,4,6,6]  # 图片间隔，也就是合并成一张图后，一共有几列
	
	count = 0
	plt.figure()
	for fpathe,fpathe1 in zip(os.walk(filepath),os.walk(outpath)):
		#for f in fs:
		if(count!=0):
			plt.subplot(4,4,count)
			IMAGE_SAVE_PATH = 'E:\\yolov4\\feature_pic_final\\final_00'+str(count-1)+'.jpg'  # 图片转换后的地址
			process(fpathe[0],fpathe1[0])
			IMAGES_PATH = fpathe1[0] + "\\"
			# 获取图片集地址下的所有图片名称
			
			image_names = [name for name in os.listdir(IMAGES_PATH) for item in IMAGES_FORMAT if os.path.splitext(name)[1] == item]
			# 简单的对于参数的设定和实际图片集的大小进行数量判断
			if len(image_names) != IMAGE_ROW_t[count -1] * IMAGE_COLUMN_t[count-1]:
				#raise ValueError("合成图片的参数和要求的数量不能匹配！")
			image_compose(IMAGE_SIZE_t[count-1],IMAGE_ROW_t[count-1],IMAGE_COLUMN_t[count-1],image_names,IMAGE_SAVE_PATH) #调用函数
			lena = mpimg.imread(IMAGE_SAVE_PATH)
			img = plt.imshow(lena) # 显示图片

		count = count + 1
	plt.show()

生成图片如下

playezio
关注
CNN特征图可视化
05-18
基于MATLAB中MatConvNet工具包实现的VGG网络特征图和卷积核可视化
yolov4,darknet特征图可视化
weixin_33566282的博客
05-07 4800
yolov4,darknet特征图可视化 拼接参考：https://blog.csdn.net/lxk2017/article/details/97911371 在network_nernel.cu文件中加入前向传播显示代码： /***************************************************** *func: 主要是为了将output结果能够映射到0-255...
深入浅出之DarkNet网络
最新发布
浩瀚之水的专栏
09-13 1191
Darknet53是在深度学习，尤其是卷积神经网络（CNN）快速发展的背景下提出的。随着计算机视觉任务的复杂度和精度要求不断提高，传统的网络结构已经难以满足需求。为了提升目标检测和分类等任务的性能，Joseph Redmon在2018年的论文《YOLOv3: An Incremental Improvement》中提出了Darknet53网络结构，作为YOLOv3目标检测算法的核心网络。
darknet版本的yolov4特征层可视化
qq_35472183的博客
04-07 855
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 ddcf 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何
Darknet卷基层浅层特征可视化教程
weixin_30650039的博客
12-19 1019
目录 Darknet浅层可视化教程 说明 处理步骤 使用python可视化txt文件 Darknet浅层可视化教程 说明 针对YOLO官方提供的c语言版的darknet进行了修改,添加了一些函数，进行可视化处理。 建议使用visual studio ...
win10 + YOLOv3 在darknet下可视化训练过程的参数
SORI-
04-22 585
来源：https://blog.csdn.net/dz4543/article/details/88075408 yolov3可视化 训练命令转化log文件绘制loss变化曲线可视化Avg IOU，Avg Recall等参数 训练命令 参考了许多博客，发现比较坑。大概大多基于linux命令，我在windows下输入无法识别。 要可视化训练过程，首先得把训练中输出的参数生成日志，这需要我们修改训练命令。网上大多是这个命令： ./darknet detector train c
深度网络特征可视化工具
08-16
用于可视化深度卷积网络学习得到的深度卷积特征的可视化，基于python运行和使用！
TensorFlow on Android（5）: 可视化推理结果
sufish的专栏
01-23 522
处理Inference结果 在上一课时中，我们已经通过Inference获取到了识别结果，存放在三个数组里： float[] boxes = new float[100 * 4]; float[] scores = new float[100]; float[] classes = new float[100]; 那么数据的结构是这样的， 第一个识别物体的类别是classes[0], 分数为sc...
探索未来推理的利器：PyReason——可视化、解释性强的逻辑推理软件
gitblog_00037的博客
06-09 385
探索未来推理的利器：PyReason——可视化、解释性强的逻辑推理软件 pyreason An explainable inference software supporting annotated, real valued, graph based and temporal logic ...
深度学习模型特征可视化(以yolov4为例)
热门推荐
weixin_44944382的博客
03-29 1万+
一般来说，深度学习模型中的可视化分为两种：GAM/Grad_GAM、特征图可视化。
python画图绘制紫荆花_Darknet卷基层浅层特征可视化教程
weixin_39632524的博客
12-08 233
Darknet浅层可视化教程说明针对YOLO官方提供的c语言版的darknet进行了修改,添加了一些函数，进行可视化处理。建议使用visual studio code进行代码的跟踪和调试。可视化内容是针对一下命令，对一张图片进行可视化：./darknet detector test cfg/voc.data data/yolov3-voc.cfg backup/yolov3-voc_40000.w...
yolov3可视化图
11-17
此图是yolov3可是画图，可以用tensorboard打开，如果需要pb文件，请联系作者
目标检测YOLO实战应用案例100讲-基于改进的YOLOv4柑橘目标检测算法
qq_36130719的博客
06-21 1243
上世纪60年代，计算机视觉[1]（Computer Vision，CV）的概念被提出并定义为简单几何物体的形状识别和重建。随着科技的进步，计算机技术渗透到人们生活的方方面面。计算机视觉技术赋予计算机以人类智慧，计算机依靠“眼睛”观察世界、通过“大脑”处理信息和认识世界——摄像头获取外界的图像或视频，特征提取器获得位置信息和语义信息。人类的想象力只能到达三维空间，计算机却可以轻松处理一些高维的、抽象的信息，能够参与到诸如视频分析、图像识别等复杂任务中，人们的工作和生活被大大简化。
一文读懂YOLO V5 与 YOLO V4
williamhyin的博客
07-31 8272
一文读懂YOLO V5 与 YOLO V4 YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。然而在4月23日，继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。YOLO V4是YOLO系列一个重大的更新，其在COCO数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10%
yolov5分割_一文读懂YOLO V5 与 YOLO V4
weixin_39528559的博客
10-25 2049
YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。然而在4月23日，继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。YOLO V4是YOLO系列一个重大的更新，其在CO...
目标检测YOLO实战应用案例100讲-雾天环境下目标检测（续）
qq_36130719的博客
01-08 1314
目标检测类型可以划分为两种不同阶段的目标检测算法，即单阶段目标检测和两阶段 目标检测。这两类目标检测算法的侧重点不一样，前者着重检测速度，后者着重检测精度。YOLO系列算法是属于单阶段目标检测算法，在研究者的不懈努力下，自YOLO算法诞生 到目前为止，YOLO算法已经经历了7个版本，即YOLO v1至YOLO v7。正是YOLO系列算 法的不断更新和改进，现如今其检测精度也在不断提高乃至已追赶上RCNN系列算法。
PyTorch深度学习实战（22）——从零开始实现YOLO目标检测
盼小辉丶的博客
10-19 4195
YOLO (You Only Look Once) 是一种实时目标检测算法，它以其高效性和准确性而闻名。相比于传统的目标检测方法，YOLO 的主要特点是在单个前向传递中同时完成目标检测和分类，YOLO 通过全局感受野捕捉了整个图像中的上下文信息，对小尺寸物体的检测效果较好。在本节中，将介绍 YOLO 的工作原理，然后在自定义数据集上训练 YOLO 目标检测模型。
Darknet框架模型Inference过程的feature-map可视化
lxk2017的博客
07-31 2271
本篇文章针对YOLO-v3官方提供的c语言版的darknet进行了修改,添加了一些函数，进行可视化feature-map处理，主要针对Inference过程中，对中间计算结果feature-map数据进行转换，将转换结果用图片是形式直观感受。
pytorch实现yolov4的cam热力图可视化
qq_45655136的博客
03-31 3084
参考视频：https://www.bilibili.com/video/av799922871/ 参考代码位置：https://github.com/IDayday/YOLOv4_CAM YOLOv4代码参考博主：https://blog.csdn.net/weixin_44791964/article/details/106214657 CAM利用GAP(Global Average Pooling)替换掉了全连接层。 热力图可视化展示： 一、修改代码 在detect_image函数中，增加返回out
评论 30
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值