百度飞桨PaddlePaddle-21天零基础实践深度学习-目标检测

最新推荐文章于 2023-04-30 22:47:17 发布

神经兮兮咕咕鸡

最新推荐文章于 2023-04-30 22:47:17 发布

阅读量720

点赞数

文章标签：神经网络 python 计算机视觉人工智能

本文链接：https://blog.csdn.net/weixin_44708890/article/details/108303976

版权

百度飞桨PaddlePaddle-21天零基础实践深度学习-目标检测YOLOv3

概念
数据读取和预处理
模型YOLOv3
优化

概念

边界框

<1> $x y x y$ ，即 $x_1, y_1, x_2, y_2)$ 。其中 $x_1, y_1)$ 是矩形框左上角的坐标， $x_2, y_2)$ 是矩形框右下角的坐标。

<2> $x y w h$ ，即 $(x, y, w, h)$ ，其中 $(x, y)$ 是矩形框中心点的坐标， $w$ 是矩形框的宽度， $h$ 是矩形框的高度。

训练数据集的标签里会给出目标物体真实边界框所对应的 $x_1, y_1, x_2, y_2)$ ，被称为真实框。

模型会对目标物体可能出现的位置进行预测，由模型预测出的边界框则称为预测框。

锚框

锚框——假象框——候选区域
先设定好锚框的大小和形状，再以图像上某一个点为中心画出矩形框。
锚框微调变成预测框

在训练过程中，模型通过学习不断的调整参数，最终能学会如何判别出锚框所代表的候选区域是否包含物体，如果包含物体的话，物体属于哪个类别，以及物体边界框相对于锚框位置需要调整的幅度。

交并比（衡量指标）

$IoU=\frac{A\bigcap B}{A\bigcup{B}}$

数据读取和预处理

批量数据读取与加速——多线程读取数据

预处理主要作用是扩大训练数据集，拥有更多的图像特征，抑制过拟合，提升模型的泛化能力。

方法：
随机改变亮暗、对比度、饱和度和颜色等随机填充随机裁剪随机缩放随机翻转随机打乱真实框排列顺序 Mixup…

模型YOLOv3

需要先产生候选区域，再对候选区域做分类和位置坐标的预测，这类算法被称为两阶段目标检测算法。

YOLO-V3使用单个网络结构，在产生候选区域的同时即可预测出物体类别和位置，使得YOLO-V3算法具有更快的速度，能到达实时响应的水平。

YOLO-V3基本思想

<1> 产生候选区域——生成锚框——生成预测框——对候选区域标注

<2> 卷积神经网络提取特征——根据输出特征图计算预测框位置和类别——建立输出特征图与预测框之间的关联

<3> 建立损失函数
在这里插入图片描述

$x y w h$ 格式：

左上角的位置坐标 $c_{x},c_{y})$ ，预测框的中心坐标：
$b_{x}=c_{x}+\sigma (t_{x})$ $b_{y}=c_{y}+\sigma (t_{y})$
$\sigma(x)$ 即Sigmoid函数。

锚框的大小在模型中可以当作是超参数。
锚框尺寸 $p_{h},p_{w}）$ ，生成预测框的大小：
$b_{h}=p_{h}e^{t_{h}}$ $b_{w}=p_{w}e^{t_{w}}$

预测框能够跟真实框重合——求解 $t$ 的值

将预测框坐标中的 $b_{x},b_{y},b_{h},b_{w}$ 设置为真实框的位置，即可求解出 $t$ 的数值。

对候选区域进行标注

锚框是否包含物体，这可以看成是一个二分类问题，使用标签objectness来表示。当锚框包含了物体时，objectness=1，表示预测框属于正类；当锚框不包含物体时，设置objectness=0，表示锚框属于负类。
如果锚框包含了物体，那么它对应的预测框的中心位置和大小应该是?， $t_{x}, t_{y}, t_{w}, t_{h}$ 应该是?，使用location标签。

3.如果锚框包含了物体，那么具体类别是?，这里使用变量label来表示其所属类别的标签。
在这里插入图片描述

卷积神经网络提取特征

YOLO-V3算法使用的骨干网络是Darknet53。在检测任务中，保留从输入到C0部分的网络结构，作为检测模型的基础网络结构，也称为骨干网络。YOLO-V3模型会在骨干网络的基础上，再添加检测相关的网络模块。
在这里插入图片描述

根据输出特征图计算预测框位置和类别

预测框是否包含物体。 $o b j e c t n e s s = 1$ 的概率是?，可以用网络输出一个实数 $x$ ，可以用 $S i g m o i d (x)$ 表示objectness为正的概率 $P_{obj}$
预测物体位置和形状。物体位置和形状 $t_{x}, t_{y}, t_{w}, t_{h}$ , 可以用网络输出4个实数来表示 $t_{x}, t_{y}, t_{w}, t_{h}$
预测物体类别。预测图像中物体的具体类别。总的类别数为C，需要预测物体属于每个类别的概率 $P_{1}, P_{2}, ..., P_{C})$ ，可以用网络输出C个实数 $x_{1}, x_{2}, ..., x_{C})$ ，对每个实数分别求Sigmoid函数，让 $P_{i}=Sigmoid(x_{i})$ ，则可以表示出物体属于每个类别的概率。

建立输出特征图与预测框之间的关联

第 $i$ 行第 $j$ 列的小方块区域跟特征图上的像素点 $(i, j)$ 对应起来，解决了空间位置的对应关系。

对于一个预测框，网络需要输出 $(5 + C)$ 个实数来表征它是否包含物体、位置和形状尺寸以及属于每个类别的概率。

每个小方块区域产生K个预测框，每个预测框需要 $(5 + C)$ 个实数预测值，则每个像素点相对应的要有 $K (5 + C)$ 个实数。

对特征图进行多次卷积，并将最终的输出通道数设置为 $K (5 + C)$ ，即可将生成的特征图与每个预测框所需要的预测值巧妙的对应起来。

损失函数

对于每个预测框，YOLO-V3模型会建立三种类型的损失函数。

表征是否包含目标物体的损失函数，通过pred_objectness和label_objectness计算

表征物体位置的损失函数，通过pred_location和label_location计算

表征物体类别的损失函数，通过pred_classification和label_classification计算

多尺度检测

将高层级的特征图尺寸放大之后跟低层级的特征图进行融合，得到的新特征图既能包含丰富的语义信息，又具有较多的像素点，能够描述更加精细的结构。

开启端到端训练

将三个层级的特征图与对应锚框之间的标签关联起来，并建立损失函数，总的损失函数等于三个层级的损失函数相加。通过极小化损失函数，可以开启端到端的训练过程。
在这里插入图片描述

预测

预测过程可以分为两步：

1.通过网络输出计算出预测框位置和所属类别的得分。
2.使用非极大值抑制来消除重叠较大的预测框。

模型效果及可视化

1.创建数据读取器以读取单张图片的数据

2.定义绘制预测框的画图函数

3.读取指定的图片，输入网络并计算出预测框和得分，然后使用多分类非极大值抑制消除冗余的框。将最终结果可视化。

优化

防止梯度消失和梯度爆炸

更换激活函数
ResNet block
batch normalization
梯度截断设置阈值
预训练+微调

防止过拟合

数据增强
提前停止
权重正则化 L1 L2…
dropout

参数调优

学习率
训练轮数
优化函数
在线难例挖掘

后处理

模型融合
测试结果融合
根据实际任务改进

神经兮兮咕咕鸡

关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
百度飞桨PaddlePaddle-21天零基础实践深度学习-目标检测

百度飞桨PaddlePaddle-21天零基础实践深度学习-目标检测YOLOv3概念边界框锚框交并比（衡量指标）数据读取和预处理模型YOLOv3YOLO-V3基本思想卷积神经网络提取特征根据输出特征图计算预测框位置和类别建立输出特征图与预测框之间的关联损失函数多尺度检测开启端到端训练预测模型效果及可视化优化防止梯度消失和梯度爆炸防止过拟合参数调优后处理概念边界框<1> xyxyxyxyxyxy，即(x1,y1,x2,y2)(x_1, y_1, x_2, y_2)(x1,y1,x2,y
复制链接

扫一扫