focal loss dice loss源码_SSD源码解析——使用SSD训练自己的数据+源码(pytorch)学习记录(二)...

最新推荐文章于 2023-06-25 18:55:32 发布
最新推荐文章于 2023-06-25 18:55:32 发布
阅读量308 收藏
点赞数
文章标签： focal loss dice loss源码

624cd72c991c487de4a86982d6acb5e9.png

目录：

模型的整个前向传播过程
train.py入手
detector模块
backbone模块
build_box_head
先验框/数据集生成有关
build模块
transform模块
prior_bbox的生成
box_utils
余下的一些模块
loss模块
配置文件模块

SSD源码解析

本片文章主要是承接上一篇，记录了对pytorch SSD源码的一个解析（主要是怕自己过段时间忘了，当然也希望发出来和大家分享一下学习心得），过于细枝末节的东西不是很多，主要是对整个流程的结构进行梳理，整个梳理过程建议配合讲解SSD原理的文章食用，推荐：

小小将：目标检测|SSD原理与实现​zhuanlan.zhihu.com
fbcd2aee16ee3ec6062ad3e2321073df.png

的这篇硬核讲解

先看讲原理的文章(多半是蒙圈的),然后来看这里的代码细节，这样一来基本上就能够对整个SSD的核心流程有一个大概的把握。鉴于自己水平有限，难免会有理解不到位或者错误的地方，希望大佬拍砖

本文所用源码地址：

lufficc/SSD​github.com
0cf9c027d7dd0065aeee48d9a3e0cad8.png

模型的整个前向传播过程

train.py入手

从train.py入手，先看模型的整个调用关系

from

detector模块

  • ssd/modeling/detector/_init_.py
from
  • 找SSDDetector的定义位置
from

由此可知：build_backbone和build_box_head是关键，下面分别解释

backbone模块

  • build_backbone：对于backbone部分的定义在ssd.modeling.backbone文件夹下面，作者提供了vggnet, mobileNetv2,efficient_net三个backbone。可以在代码中看到具体的定义，最需要关注的是从backbone不同阶段取出来（进行下一步卷积得到框的类别，位置）的几个特征图。以vggnet为例：
​

build_box_head

  • build_box_head，这部分是最不好理解但又是极为关键的，
# ssd/modeling/box_head/下面定义的 SSDBoxHead 类
  • make_box_predictor：上面的计算预测值的过程由ssd/modeling/box_head/box_predictor 中的make_box_predictor来执行，这是一个相当关键的步骤
​

这样一来，基本就理清楚了整个网络的前向过程,接下来需要搞清楚的是上面提到的我们的target是怎么来的，我们现在知道了模型总共预测了8732个框，也知道target中对应的gt_labels和gt_boxes负责和预测得到的cls_logits ，bbox_pred一一对应计算loss 所以接下来就是要知道target中的gt_labels([32, 8732])和gt_boxes[32, 8732, 4]是怎么来的。这里也就引出了SSD中很关键的一部分了，那就是prior boxes的产生。

先验框/数据集生成有关

target中对应的gt_labels和gt_boxes负责和预测得到的cls_logits ，bbox_pred一一对应计算loss。所以接下来从源码中来解读target中的gt_labels([32, 8732])和gt_boxes[32, 8732, 4]是怎么来的

build模块

还是回到train.py

from

下面要仔细的解释一下为什么我们的原始标签和bbox的坐标就突然和先验框联系起来了。上面的整个追溯流程中make_data_loader的定义是关键，

'''

transform模块

虽然说transform模块的工作就是对原始的标注数据作出各种数据增强的变换：随机裁剪，镜像，对比度/亮度，通道交换顺序等操作。但是在build_target_transform中还调用到了PriorBox，从而联系到了target_transform.py中调用的 box_utils模块，这其实就突破点。

要把这个说清楚，还得先搞清楚一个东西，那就是prior_bbox的产生

prior_bbox的生成

这个在网上许多讲SSD原理的文章中都会重点讲，其实前面的代码分析中也出现过一些铺垫。简而言之：就是在原图的尺度下产生了8732个先验框，这些框和我们取的6个特征图大小是有关的，按照这六个的大小设计会产生出原图尺度上的8732个框

#在ssd/modeling/anchors/prior_box.py

box_utils

  • /ssd/data/transforms的init.py: 继续回到transform模块，可以在/ssd/data/transforms的init.py中第30行看到调用了Prior_box类！
def
  • ssd/data/transforms/target_transform.py下面的SSDTargetTransform类:
#ssd/data/transforms/target_transform.py下面的SSDTargetTransform类
  • 显然，这一步就需要去研究box_utils模块
#convert_locations_to_boxes其实是把ssd的输出location（这里的输出其实是位置的偏置）

前面理顺了网络的整体前向结构，刚刚又分析了prior_boxes有关的datasets的一系列操作，最后就是来分析一下loss和一些配置文件了

余下的一些模块

loss模块

整个关于loss的定义在loss.py模块下的MultiBoxLoss类，具体的计算公式在许多的讲SSD原理的文章中都有提到，结合下面原作者已经很详细的注释了的源码，其实也不难理解，所以此处不再赘述

class

配置文件模块

defaults.py：这个是整个工程的基本配置文件，有了上面的一系列铺垫，现在来看配置文件里面的各项参数设置就显得明了多了

#......
weixin_39789979
关注
focalloss，diceloss 知识点总结
qq_40950565的博客
09-06 7514
一 focalloss 1.什么是focalloss，用来干嘛 Focal loss最早是 He et al 在论文 Focal Loss for Dense Object Detection 中实现的。 例如在目标检测中损失函数Binary Cross Entropy loss，这种训练目标要求模型 对自己的预测真的很有信心。而Focal Loss所做的是，它使模型可以更"放松"地预测事物，而无需80-100％确信此对象是“某物”。简而言之，它给模型提供了更多的自由，可以在进行预测时承担一些风险..
我们从一阶段的物体检测器SSD，YOLOv3，FPN & Focal loss (RetinaNet）中学到了什么？...
AI公园
11-25 1234
点击上方“AI公园”，关注公众号作者：Jonathan Hui编译：ronghuaiyang在第二部分，我们会有一个综合的对一阶段的物体检测器的概述包括SSD和YOLO（...
caffe-ssd 安装+填坑+SSD的focal_loss实现（Ubuntu系统）
weixin_44435110的博客
08-12 1188
安装： 1、安装依赖库： sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler sudo apt-get install --no-install-recommends libboost-all-dev sudo apt...
类别不均衡问题之loss大集合：focal loss, GHM loss, dice loss 等等
zenRRan的博客
06-08 1139
每天给你送来NLP技术干货！数据类别不均衡问题应该是一个极常见又头疼的的问题了。最近在工作中也是碰到这个问题，花了些时间梳理并实践了类别不均衡问题的解决方式，主要实践了“魔改”loss（focal loss, GHM loss, dice loss 等），整理如下。所有的 Loss 实践代码在这里：https://github.com/shuxinyin/NLP-Loss...
【CV】常见的损失函数及应用举例：交叉熵、对比、余弦、Dice、Focal Loss
种一棵树最好的时间是十年前，其次是现在
06-25 5460
损失函数的作用是衡量模型预测值与真实值之间的差异，从而评估模型的性能，并通过优化算法（如梯度下降）来调整模型参数，使得损失函数的值最小化，进而提高模型的预测准确性。具体来说，损失函数通常用于监督学习中，给定样本的特征和标签，模型根据特征预测标签，并将预测值与真实值进行比较，计算出损失值。优化过程就是在不断地调整模型参数，使得损失值越来越小。因此，损失函数是优化算法的重要组成部分，它决定了模型优化的方向和速度。
基于Python实现图像分割算法的源码+全部数据+使用说明.zip
11-17
基于Python实现图像分割算法的源码+全部数据+使用说明.zip这是95分以上高分必过课程设计项目，下载即用无需修改，确保可以运行。也可作为期末大作业。 损失函数 Dice Loss: diece_loss.py Focal Loss: focal_loss....
unet + pytorch 一个实例-python源码.zip
05-02
**标题与描述解析** 标题"unet + pytorch 一个实例-python源码.zip"表明这是一个使用PyTorch实现U-Net神经网络模型的实际案例。U-Net是一种在图像分割任务中广泛使用的卷积神经网络架构，特别适用于生物医学图像...
基于深度学习的试卷手写文字擦除源码+模型+文档说明.zip
03-23
基于深度学习的试卷手写文字擦除源码+模型+文档说明.zip数据划分：使用1000张做为训练集，81张作为验证集。 官方提供了训练集1081对，测试集A、B各200张。包含以下几个特征： 1.图像分辨率普遍较大 2.手写字包含红黑...
deeplabV3+_pytorch.zip
02-09
** DeeplabV3+ PyTorch 深度学习框架详解** DeeplabV3+ 是一种基于深度学习的语义图像分割模型，它在图像分析领域有着广泛的应用，尤其是在自动驾驶、医疗影像分析、遥感图像处理等方面。本教程将深入探讨 DeeplabV...
分割-Unet+Pytorch实现训练自定义数据集-算法训练-优质项目实战.zip
02-19
在本文中，我们将深入探讨如何使用Unet架构与Pytorch深度学习框架来训练自定义数据集，这是一项高质量的项目实战。Unet是一种用于图像分割的卷积神经网络（CNN），广泛应用于医疗图像分析、遥感图像处理和自动驾驶等...
【项目一、xxx病虫害检测项目】3、损失函数尝试：Focal loss
qq_38253797的博客
04-20 4208
目录前言一、原理二、实现 前言 马上要找工作了，想总结下自己做过的几个小项目。 先总结下实验室之前的一个病虫害检测相关的项目。选用的baseline是SSD，代码是在这个仓库的基础上改的 lufficc/SSD.这个仓库写的ssd还是很牛的，github有1.3k个star。 选择这个版本的代码，主要有两个原因： 它的backbone代码是支持直接加载pytorch官方预训练权重的，所以很方便我做实验 代码高度模块化，类似mmdetection和Detectron2，写的很高级，不过对初学者不是很友好，但
分割网络损失函数总结！交叉熵，Focal loss，Dice，iou，TverskyLoss！
热门推荐
jijiarenxiaoyudi的博客
12-18 1万+
交叉熵损失，Focal loss, Dice, iou, Tverskyloss!
focal loss dice loss源码_SSD中Multibox_loss源码解读，Pytorch版
weixin_39912580的博客
11-27 178
论文链接：SSD: Single Shot MultiBox Detector文中所用代码（仅multibox_loss.py）链接：multibox_loss.pyLoss in SSD数学公式部分来自SSD论文第五页training objective段落。指示器 指： 第 - th 默认框（default box）对应 类物体的第 -th 目标框(Ground truth box)的匹...
复现PTA人事机考照片审核的功能
Andrwin的博客
03-04 337
官方PTA照片审核软件下载地址：http://202.61.89.231/download-A57C21A39F5FEBE5 主要涉及5个方向的判别： 1、文件大小 2、图片的真实格式 3、图片的尺寸 4、背景颜色是不是符合要求 5、人脸是否正常,包括是半身照还是寸照、头部在不在中间等。 import cv2 as cv import imghdr import numpy as np from io import BytesIO import json import time import
比较好的SSD解读以及代码实现
sinat_37011812的博客
02-21 2119
    代码：https://github.com/lufficc/SSD 解读：https://blog.csdn.net/qq_34784753/article/details/78889206             https://www.bbsmax.com/A/gGdX0Vepd4/            https://blog.csdn.net/u014380165/art...
张量的一些特殊切片操作，
weixin_43728225的博客
11-06 413
import tensorflow as tf import numpy as np def convert_to_xywh(boxes): # 取前两列(取所有的行) print(boxes[..., :2]) return tf.concat( [(boxes[..., :2] + boxes[..., 2:]) / 2.0, boxes[..., 2:] - boxes[..., :2]], axis=-1, ) box = [[13,
Ultra-Light-Fast-Generic-Face-Detector-1MB的自定义数据集训练 | PTH权重转为ONNX格式 (3)
Andrwin的博客
09-22 369
在PTH格式不方便端侧部署，考虑转为ONNX或者MNN格式。 1、修改源代码 首先需要修改一下源代码： （1）vision/ssd/ssd.py这个文件里面 if self.is_test: confidences = F.softmax(confidences, dim=2) boxes = locations # this line should be added. #boxes = box_utils.convert_locations_to_boxes( #
SSD: Single Shot MultiBox Detector目标检测环境配置
碧落的博客
03-29 1923
SSD目标检测模型环境配置1、概要SSD是一种基于回归的目标检测模型，论文主要优势：在保证较高的检测速率，有较高检测精度。代码地址：https://github.com/weiliu89/caffe/tree/ssd项目PPT地址：http://www.cs.unc.edu/~wliu/papers/ssd_eccv2016_slide.pdf上图片源自：https://github.com/we...
Dice+Focal loss代码
最新发布
09-14
Dice损失和Focal Loss都是用于二分类或多分类问题的损失函数，特别是在处理类别不平衡数据时非常有效。Dice Loss特别关注预测结果的精确度，而Focal Loss则是为了解决经典交叉熵损失在难样本上梯度消失的问题。 Dice Loss（也称为F Dice系数或Sørensen-Dice Coefficient）公式通常用于医疗图像分析等任务，计算形式为： ```python DiceLoss = 1 - (2 * intersection / (union + smoothness)) ``` 其中`intersection`是真实值和预测值相交部分，`union`是两者并集，`smoothness`是一个小常数防止分母为零。 Focal Loss则引入了一个动态调整因子，其公式为： ```python FL(p_t) = -(1-p_t) ** gamma * log(p_t) ``` `p_t`是模型对每个类别的预测概率，`gamma`是一个聚焦参数，使得容易分类的样本（高概率预测）的权重下降，更关注难以分类的样本（低概率预测）。 以下是使用PyTorch编写Dice+Focal Loss的基本代码示例： ```python import torch from torch.nn import BCEWithLogitsLoss class FocalDiceLoss(nn.Module): def __init__(self, gamma=2.0, smooth=1e-5): super(FocalDiceLoss, self).__init__() self.bce_loss = BCEWithLogitsLoss() self.smooth = smooth self.gamma = gamma def forward(self, input, target): pred = torch.sigmoid(input) # 计算Dice Loss intersection = (pred * target).sum(dim=(1, 2, 3)) dice = (2. * intersection + self.smooth) / (pred.sum(dim=(1, 2, 3)) + target.sum(dim=(1, 2, 3)) + self.smooth) dice_loss = 1 - dice.mean() # 计算Focal Loss focal_weight = torch.pow(1 - pred, self.gamma) bce_loss = self.bce_loss(pred, target) focal_dice = focal_weight * dice_loss return focal_dice # 使用 loss_fn = FocalDiceLoss() input = torch.randn(16, 1, 32, 32) # 预测tensor target = torch.randint(0, 2, (16, 1, 32, 32)) # 真实标签 loss = loss_fn(input, target) ```
评论
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