ssd目标检测训练自己的数据_大白话分析——SSD目标检测网络从训练到预测（中上）...

一. 背景

本文档以ssd300作为背景网络进行解读，以Tensorflow，Keras为框架

原始代码：https://github.com/pierluigiferrari/ssd_keras

分析后的代码：https://github.com/Freshield/LEARN_detection/tree/master/a4_github_better_ssd/a2_analyze_model

目前网上基本都网络部分讲的比较多，但是真正训练和预测部分都相对粗略，所以自己网上找了一个相对比较好的ssd检测作为蓝本来分析，然后把相应的过程用大白话给表达出来，方便大家可以更好的理解网络。

二 到 三请看上一篇

https://zhuanlan.zhihu.com/p/122357989

四. 数据部分

数据这个部分之所以重要是因为不同于分割和分类，数据基本直接从原始数据获得即可，最多只是做一些数据增强。SSD的数据部分，尤其是label部分需要通过许多步骤，最终生成和预测一样的大小，也就是(batch, 8732, 33)这样的矩阵，而原始的数据只是表示了分类号和相关坐标，其中转换可见一斑。

数据主要分为原数据读取（对原始数据转换为二进制格式保存），生成器的读取数据batchX，batchY（这部分就是构造生成器遍历从二进制格式中恢复数据），数据增强（对图像进行数据增强，同时最主要的是把图像进行resize），encoder对batchY进行处理，这部分是数据部分最重要的处理部分，把原始的batchY进行一系列处理最后编码成预测的格式，然后就可以进行之后的loss计算。

1.原数据读取

a.解析xml

这里以原始的SSD举例，是使用的VOC数据集，其中包括了VOC2007以及VOC2012。这个数据集图像为大小不一的RGB图像，而label以xml的形式存在。一张图像对应一个xml文件。总共20个类别，之后如果加上背景类则一共21个类别。同时，数据集还有有一个索引文件，表明了数据的id以及是如果分配trainval的数据集的。所以这里的第一步就是要解析原数据。

首先遍历图像路径，label路径和索引目录

读取图像的索引

生成图像的文件路径，并放入filenames列表

如果label存在则进行解析

读取label的xml，遍历所有的objects

得到一个object的类名，检测框，生成字典，放入这个label的boxes列表

把本label的boxes放入labels列表

如果是难例，放入eval_neutral列表(并没有用到)

保存数据集长度，索引并返回

b.生成hdf5(可以想成dict)

这里之所以生成hdf5的原因是hdf5是一种二进制格式，并且支持多平台并且对分布式友好，是一种比较方便的格式，这里要把数据都存进单独的hdf5文件中方便之后的训练时使用。

首先生成原始的文件，生成原始的key，value结构

遍历数据集的长度

读取图像数据，保存图像的shape到hdf5_image_shape，拉平图像存到hdf5_images

如果有label，保存shape到hdf5_label_shapes，并把label拉平存到hdf5_labels

保存图像索引到hdf5_image_ids

保存难例到hdf5_eval_neutral(没有用到)

最终数据会trainval存为一个文件，test存为一个文件

其中图像数据和label数据虽然已经拉平，如果恢复回原始shape的话，如下所示

image (???, ???, 3)，label [[class_id, xmin, ymin, xmax, ymax], ...]，这里需要注意，我们的网络预测需要的是中心点长宽这种形式，而原始数据为左上右下点坐标的形式。

这里的图像之所以为问号是因为VOC数据集的图像大小是不一的，这个会之后在生成器生成数据时实时resize，而这里label的长度也是不定的，因为一张图会有n个objects，所以最后label的shape应该是(n_objects, 5)

2.生成器的读取数据batchX, batchY

a.shuffle

首先，需要把相应的图像索引乱序排列下

b.batchX

首先从hdf5中得到batch索引的图像，然后得到batchX的图像并恢复回原图大小，需要注意的是这里依然为任意大小，并非300,300,3

c.batchY

通过同样的序列从hdf5获得对应的label矩阵，然后恢复会原来的大小，举例的值如下：

[[3,170,110,465,294], [1,180,190,250,330]]，这里代表这张图有两个目标框，第一个框类别号为3，第二个框类别号为1，对应的坐标顺序为xmin,ymin,xmax,ymax。这里需要注意，我们的网络预测需要的是中心点长宽这种形式，而原始数据为左上右下点坐标的形式。所以之后需要做相应的转换。所以batchY为(b,n_objects,5)

3.数据增强

在得到了原始的数据batchX和batchY之后，下一步是做数据增强以及数据转换。

这部分的操作很值得借鉴，把要做的所有操作也就是transform，都是用同样的输入输出，然后建立一个操作列表，把相应的增强操作按照顺序放到操作列表中，这样之后被生成器顺序调用。

可以看到，这里通过这个操作列表把相关的操作和生成器进行了解耦，生成器只知道顺序调用操作列表中的transform而不知道也无需知道都是哪些transform，只知道如果调用相关的接口即可。

对于图像来说有许多的数据增强操作如随机亮度，随机饱和度，随机色度等等，但是这些其实都是可选项，而且对于其他图像如医学图像等，可能并不合适，这里最重要最需要知道的就是Resize这个transform。

这个transform就像名字那样是用来转换尺寸的，再通过这个操作之后，图像就统一从原始的各自不同的大小变换为(300,300,3)，同时batchY由于坐标是和原图对应的，所以当原图的大小进行变换时，batchY的坐标位置也会进行相应的大小。

总体来说，在经过数据增强之后，我们得到batchX(b,300,300,3)，batchY也是对应的相应的位置，shape依然是(b, n_objects, 5)

4.encoder对batchY进行处理

在进行数据增强后，便是SSD的数据部分最重要的地方了，也就是对batchY进行处理。回想下我们的网络预测是把(b,300,300,3)的输入经过网络输出为(b,8732,33)这样的矩阵，这也就是我们的y_pred，那么相应的label数据也就是我们的y_true或者说是batchY也需要是同样的(b,8732,33)的大小，这一步就是关于这部分如何转换的。

这里引入一个题外话，个人觉得SSD其实网络部分就是一个密集采样，效果还不错的主要原因就在于数据的编码部分，loss的分类计算部分以及预测后的decoder部分三个共同影响的结果，这几个部分从某种意义上替代了two stages的RPN网络。

a.生成返回矩阵

回想一下模型部分的priorbox，就像那部分最后说的，先验框的部分其实是不需要计算可以直接生成的，所以priorbox只要知道了数据的信息，如feature map的大小，先验框数量和长宽比等，就可以直接生成。

这里我们就直接先生成默认的返回矩阵，大小和y_pred一样(b,8732,33)，这里的33为21+4+8，其中21为类别，4为label的坐标，8为先验框的坐标和variance。

然后我们默认所有的先验框都为背景类，也就是第0维为1。label的坐标部分我们先用先验框的坐标作为默认值，其实这里并不影响，因为到时候计算loss的时候坐标只会计算正例也就是有非背景类的坐标，最后8个值为先验框的坐标和variance值。

b.遍历batch并转换数据格式

我们当前的batchY为(b,n_objects,5)，这里对batch进行遍历，然后得到的label是(n_objects,5)这样的形式。

然后我们目前虽然在resize部分进行了坐标的转换，不过当前依然是相对于全图的坐标，而我们的y_pred的坐标是归一化后的坐标，所以这里我们也先对数据进行归一化，也就是相应的xmin,xmax除以原图的w也就是300，ymin,ymax除以原图的h也就是300.

在这之后，由于当前的坐标为xmin,ymin,xmax,ymax，但是我们无论计算IOU还是和y_pred计算偏移都需要cx,cy,w,h的形式，所以这里进行相应的转换。这个转换其实也非常简单，cx也就等于(xmax-xmin)//2，cy等于(ymax-ymin)//2，w等于xmax-xmin，h等于ymax-ymin这样通过numpy的广播可以一下就完成转换。

c.计算IOU生成IOU矩阵

iou其实翻译过来就是交并比，如上图这样，把先验框和label框的交集，除以两个的并集。这里注意，我们计算的iou是label和先验框的iou，而不是预测出来的框。

另外，这里会通过numpy的广播一下计算一个label框和所有的8732个先验框的iou值，代码里也叫similarity矩阵，其实是一个东西。

iou矩阵在数据处理编码中主要提供了一个选择的根据，之后的label框的生成都是根据这里iou矩阵中不同框的iou值来进行选择的。

这里计算的方法是一样的，所以下边就以简单的两个框进行说明。

i.转换

我们现在有label(cx,cy,w,h)，bbox(cx,cy,w,h)，首先为了计算iou我们需要把表示方法从中心表示法转换为xmin,ymin,xmax,ymax的表示法，也非常简单就是xmin=cx-w/2，xmax=cx+w/2，ymin=cy-h/2，ymax=cy+h/2。

这样我们就得到了变换后的label(xmin,xmax,ymin,ymax)和bbox(xmin,xmax,ymin,ymax)

ii.交集

首先我们来计算交集

这是两个框的情况，从上图可以得出，交集的部分，也就是要求出中间的小矩形的坐标位置，然后就可以得到交集的面积。而小矩形的坐标位置的xmin,ymin其实就是两个框中xmin,ymin的较大的那个，而小矩形的坐标位置的xmax,ymax是两个框中xmax,ymax较小的那个，也就是：

xmin_inter=max(xmin1, xmin2)

ymin_inter=max(ymin1, ymin2)

xmax_inter=min(xmax1, xmax2)

ymax_inter=min(ymax1, ymax2)

然后交集的面积就等于(xmax_inter-xmin_inter) * (ymax_inter-ymin_inter)

那么这是一个框的情况，具体到我们的网络部分，我们有label(n_objects, 4)，

bbox(8732, 4)（这里相当于把先验框的坐标部分提取出来），那么首先就是对两边进行拓展，变成同样的大小，对于label进行tile后，变为label(n_objects, 8732, 4)，这里的tile操作可以理解为复制。然后对于bbox也进行tile，变为(n_objects, 8732, 4)。

注意这里的4为xmin,ymin,xmax,ymax于是先对label，bbox的第0，1维求max得到xmin_inter，ymin_inter，然后对label，bbox的第2，3维求min得到xmax_inter，ymax_inter。再让第2维减第0维得到xmax_inter-xmin_inter，用第3维减第1维得到ymax_inter-ymin_inter，最后两个结果相乘就得到了intersection部分(n_objects, 8732)。

iii.并集

并集的计算相对于交集就简单许多，并集相当于box1的面积加上box2的面积减去交集的面积也就是box1_area+box2_area-intersection。

box1的面积为(xmax1-xmin1) * (ymax1-ymin1)

box2的面积为(xmax2-xmin2) * (ymax2-ymin2)

那么对于我们的矩阵label(n_objects, 4)和bbox(8732, 4)计算如下：

由于numpy可以方便的广播特性，所以这里可以先分别对label和bbox使用上边的维度计算，得到label(n_objects)和bbox(8732)，这两个现在相当于是label每个框的面积，bbox每个框的面积。然后使用使用tile把label拓展为(n_objects, 8732)，把bbox拓展为(n_objects, 8732)，直接进行label+bbox-intersection就可以得到并集union(n_objects, 8732)

最后根据公式iou=intersection/union，就可以得到了iou矩阵。

通过numpy广播对label矩阵(n_objects, 5)计算iou得到全部的iou矩阵

这里很有意思的是这是一个矩阵，大小为(n_objects, 8732)，其实就代表着，每个object的label框和8732所有的先验框的iou值。

d.贪心二分匹配

这个名字听起来虽然唬人，但是其实目的很单纯，就是要找出每个label的框最匹配的那个bbox。而这里的难点在于，如果两个label框都和一个bbox匹配，需要找出最大的框，然后再匹配剩下的。

整体流程是找出我们刚才的iou矩阵(n_objects, 8732)中整个矩阵最匹配的也就是iou值最高的位置，然后把再在iou矩阵除了这个label框和这个bbox框剩下的矩阵中找寻最匹配的，直到找完所有label框最匹配的，而这里的trick是复制一个iou矩阵，因为之后还有继续使用iou矩阵，把复制后的iou矩阵中最匹配的找出来，然后横向把这个label一行都置零，纵向把这个bbox框都置零，就是一个大十字的零，再找下一个最大的，再置零，可以想象，这样一共会重复n_objects次，得到n_objects个框。

具体的流程如下：

首先复制iou矩阵 -> 生成label的索引数也就是从0到n_objects -> 遍历n_objects次 -> 找到各label最大的iou索引 -> 比较各label最大的iou值得到最大的iou的label的索引 -> 保存iou值和label的相关信息到matches列表 -> 置零这个label行和这个bbox的列 -> 继续重复找到iou最大的label与i及它的iou最大索引

最终返回matches列表 -> 把返回矩阵相应的bbox填上label的class的one_hot矩阵和label的坐标矩阵，并把iou矩阵相应框的位置置零，注意这里只置零单独的框，也就是一共置零n_objects个框。

e.match multi得到所有大于iou阈值的label最匹配的bbox

需要注意的是，这里是要得到所有大于iou阈值的label匹配的bbox，可能会有人觉得既让贪心二分匹配得到的都是iou最大的，这里所有大于iou阈值的的框，那贪心二分匹配岂不是多此一举。其实这里重要的点在于所有大于阈值的label，贪心二分匹配主要解决的是当所有的框都小于iou阈值时，我仍会给所有label框找到一个先验框进行匹配，然后进行反向传播来进行学习，这尤其在最开始训练时尤其重要。如果没有贪心二分匹配算法的话，那么可能就一直没有大于iou阈值的框，然后就没有label，就所有loss都为0，就没有办法学习了。

整体流程为：

生成bbox的索引列表[0,1,...,8731]，找到iou矩阵(n_objects, 8732)每个bbox最匹配的label索引也就是从列找到最大值的索引(8732,)，找到bbox最匹配的iou的值这里是找相应的位置的值(8732,)。这里的操作主要是为了把bbox匹配到iou值最大的label，这样先从列上找出每个bbox应该匹配那个label，然后在把相应的iou值都提取出来好进行iou值阈值处理。

然后找到所有iou大于阈值的bbox索引

找到这些iou大于阈值的label索引，这里得到label的索引主要是为了之后得到这些label的class的one_hot矩阵

根据bbox的索引，在返回矩阵中的相应bbox位置填入label的class的one_hot矩阵和label的坐标位置。

把bbox的索引在iou矩阵中的相应位置置零

f.去除iou过高的反例

上边的时候iou阈值一般会设置为0.5，那么我们有理由相信，当iou阈值在0.3到0.5之间的先验框有可能会干扰我们的正例学习，所以这里会找到超过（去除iou的阈值）也就是0.3并小于（match multi的iou阈值）也就是0.5之间的先验框。

不过理论上其实一般不会影响太大，所以真正代码这里的去除iou阈值也为0.5，所以并没有真正的使用。

g.对batchY的坐标编码

在这之前我们已经选出了我们要的框，最后一步就是对所有的batchY进行编码。我们的y_encoded为（b，8732，21+4+8），其中这里的4+4+4分别时（cx，cy，w，h）gt，（cx，cy，w，h）anchor以及variacne的v0，v1，v2，v3。这里的gt部分也就是ground truth也就是label部分，除了我们找出来的相应的和label对应上的框外，其他也就是背景也就是反例的gt这里和anchor是一样的，但是这没有什么问题，因为在计算loss的时候，坐标回归部分我们只会计算正例的部分。

坐标这里就像我们在模型部分所说的那样，我们的网络并不能直接cx，cy，w，h，所以我们需要对这些换算成相对坐标和相对大小，也就是lx，ly，lw，lh。

简单的理解我们的编码，就是要得到真实的框的中心点，相对于先验框的平移的距离，然后真是的框的长宽相对于先验框的缩放比例。

另外，这里的编码方法其实和faster rcnn如出一辙。

lx=（cx（gt）-cx（anchor））/w（anchor），这里的意思的就是真实label的中心点cx相对于先验框的中心点cx的偏移量，相对于先验框的w的比例大小。

这里加上variance后，最终的lx=（cx（gt）-cx（anchor））/w（anchor）/v0，这里v0为0.1，也就是相当于扩大了10倍，这样在计算loss的时候也相当于扩大了10倍，反向传播的时候梯度也扩大了10倍，就可以让网络更好的进行学习。

相对的ly=（cy（gt）-cy（anchor））/h（anchor）/v1

对于lw和lh的计算公式和cx，cy稍有不同

lw=（log（w（gt）/w（anchor）））/v2，抛开后边为了增大梯度的v2，前边的lw相应于label对bbox的宽的比值，这里使用log主要是两个原因：

首先我们考虑下log的曲线

我们这里a是大于1的，可以看出随着x的增加曲线越加的平缓，也就是说如果label和anchor的比例过大是可以起到平缓的作用，这对于不同目标的大小尺寸有一定的作用，考虑下小目标的长宽比就相对较小，而大目标的长宽比就会相对较大，而使用了log之后，可以平衡这中间的差别。这就类似yolo网络中，编码部分使用的是w**0.5是类似的道理。

第二个是当我们预测时，需要把这里的编码变成解码，我们预测的w=exp（lw x v2）x w（anchor），那么我们看下exp函数的样子

这里可以看出exp有一个我们在预测宽度时非常需要的一个特性，也就是非负性。因为我们预测的宽度不可能是一个负数。

同理，这里有lh=（log（h（gt）/h（anchor）））/v3

这里代码部分直接使用numpy选择相应的维度进行运算即可，最终返回y_encoded（b，8732，21+4+8）