42. 锚框

最新推荐文章于 2023-05-13 11:33:43 发布

lyqstar...

最新推荐文章于 2023-05-13 11:33:43 发布

阅读量955

点赞数 1

分类专栏：深度学习文章标签： pytorch 深度学习 python

本文链接：https://blog.csdn.net/weixin_44868313/article/details/122502065

版权

深度学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

这是根据沐神的动手学深度学习 PyTorch版中的第42讲做的笔记。

文章导航

叙述

1.交并比（IoU）

IoU用来计算里那个框之间的相似度
- 0表示无重叠，1表示重合
Jacquard指数：
- 给定两个集合A和B
  - $\frac{|A \cap B|}{|A \cup B|}$

2.赋予锚框标号

每个锚框是一个训练样本
将每个锚框要么标记为背景，要么关联上一个真实的边缘框（GT bbox）
可能生成大量的锚框，这会导致大量的负类样本

3.使用非极大值抑制（NMS）输出

NMS可以合并相似的预测
- 选中非背景类的最大预测值
- 去掉所有的和它的IoU值大于 $\theta$ 的预测（框）
- 重复上述过程直到所有的预测要么被选中，要么被去掉

以下部分是代码实现部分（包括注释），使用的是jupyter notebook.

%matplotlib inline
import torch
from d2l import torch as d2l

torch.set_printoptions(2)  # 精简打印精度

代码部分：

1.生成以每个像素为中心的具有不同形状的锚框

代码中的 w = s * $\sqrt{r}$ * $\frac{h}{w}$ , h = $\frac{s}{\sqrt{r}}$ ,中的宽高比应为：r, 锚框的面积为: s² (占原始图像的面积比)

可以参考下面的链接：https://fkjkkll.github.io/2021/11/23/%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8BSSD/#more

#@save
def multibox_prior(data, sizes, ratios):
    """生成以每个像素为中心具有不同形状的锚框。"""
    in_height, in_width = data.shape[-2:]
    device, num_sizes, num_ratios = data.device, len(sizes), len(ratios)
    boxes_per_pixel = (num_sizes + num_ratios - 1)
    size_tensor = torch.tensor(sizes, device=device)
    ratio_tensor = torch.tensor(ratios, device=device)

    # 为了将锚点移动到像素的中心，需要设置偏移量。
    # 因为一个像素的的高为1且宽为1，我们选择偏移我们的中心0.5
    offset_h, offset_w = 0.5, 0.5
    steps_h = 1.0 / in_height  # Scaled steps in y axis
    steps_w = 1.0 / in_width  # Scaled steps in x axis

    # 生成锚框的所有中心点
    center_h = (torch.arange(in_height, device=device) + offset_h) * steps_h
    center_w = (torch.arange(in_width, device=device) + offset_w) * steps_w
    # 生成网格（注意：通过缩放之后,其值都在0-1之间）
    shift_y, shift_x = torch.meshgrid(center_h, center_w)
    # 把二维的tensor转化为一维的tensor (注意：按行展开)
    shift_y, shift_x = shift_y.reshape(-1), shift_x.reshape(-1)

    # 生成“boxes_per_pixel”个高和宽，
    # 之后用于创建锚框的四角坐标 (xmin, xmax, ymin, ymax)
    w = torch.cat((size_tensor * torch.sqrt(ratio_tensor[0]),
                   sizes[0] * torch.sqrt(ratio_tensor[1:])))\
                   * in_height / in_width  # Handle rectangular inputs
    h = torch.cat((size_tensor / torch.sqrt(ratio_tensor[0]),
                   sizes[0] / torch.sqrt(ratio_tensor[1:])))
    # 除以2来获得半高和半宽
    anchor_manipulations = torch.stack((-w, -h, w, h)).T.repeat(
                                        in_height * in_width, 1) / 2

    # 每个中心点都将有“boxes_per_pixel”个锚框，
    # 最终得到的锚框的坐标：左上、右下的表示方式
    out_grid = torch.stack([shift_x, shift_y, shift_x, shift_y],
                dim=1).repeat_interleave(boxes_per_pixel, dim=0)
    output = out_grid + anchor_manipulations
    return output.unsqueeze(0)

我们可以看到返回的锚框变量Y的形状是（批量大小，锚框的数量， 4）。

img = d2l.plt.imread('./img/catdog.jpg')
h, w = img.shape[:2]

print(h, w)
X = torch.rand(size=(1, 3, h, w))
Y = multibox_prior(X, sizes=[0.75, 0.5, 0.25], ratios=[1, 2, 0.5])
Y.shape

# 输出的结果为：
# 561 728
# torch.Size([1, 2042040, 4])

将Y的形状进行reshape(h, w, 5, 4)

boxes = Y.reshape(h, w, 5, 4)
boxes[250, 250, 0, :]

# 输出为：tensor([0.06, 0.07, 0.63, 0.82])

为了显示以图像中的某个像素为中心的所有锚框，我们定义了下面的show_bboxes函数来在图像上绘制多个锚框。

#@save
def show_bboxes(axes, bboxes, labels=None, colors=None):
    """显示所有边界框。"""
    def _make_list(obj, default_values=None):
        if obj is None:
            obj = default_values
        elif not isinstance(obj, (list, tuple)):
            obj = [obj]
        return obj
    labels = _make_list(labels)
    colors = _make_list(colors, ['b', 'g', 'r', 'm', 'c'])
    for i, bbox in enumerate(bboxes):
        color = colors[i % len(colors)]
        # detach()相当于data() 且 requires_grad = False
        rect = d2l.bbox_to_rect(bbox.detach().numpy(), color)
        axes.add_patch(rect)
        if labels and len(labels) > i:
            text_color = 'k' if color == 'w' else 'w'
            axes.text(rect.xy[0], rect.xy[1], labels[i],
                      va='center', ha='center', fontsize=9, color=text_color,
                      bbox=dict(facecolor=color, lw=0))

现在绘制出以（250， 250）为中心的锚框，如下所示：

d2l.set_figsize()
bbox_scale = torch.tensor((w, h, w, h))
print(bbox_scale)
fig = d2l.plt.imshow(img)
# boxes[250, 250, :, :]的shape的形状为（5， 4）
show_bboxes(fig.axes, boxes[250, 250, :, :] * bbox_scale,
            ['s=0.75, r=1', 's=0.5, r=1', 's=0.25, r=1', 's=0.75, r=2',
             's=0.75, r=0.5'])

在这里插入图片描述

2.交并比函数

 #@save
def box_iou(boxes1, boxes2):
    """计算锚框和真实框的交并比（有点类似于笛卡尔积）。"""
    box_area = lambda boxes: ((boxes[:, 2] - boxes[:, 0]) *
                              (boxes[:, 3] - boxes[:, 1]))
    # `boxes1`, `boxes2`, `areas1`, `areas2`的形状:
    # `boxes1`：(boxes1的数量, 4),
    # `boxes2`：(boxes2的数量, 4),
    # `areas1`：(boxes1的数量,),
    # `areas2`：(boxes2的数量,)
    areas1 = box_area(boxes1)
    areas2 = box_area(boxes2) 
    #  `inter_upperlefts`, `inter_lowerrights`, `inters`的形状:
    # (boxes1的数量, boxes2的数量, 2)
    # 这里使用了广播机制：boxes1[:, None, :2], (即增加了一个维度：相当于boxes1.unsqueeze(1))
    inter_upperlefts = torch.max(boxes1[:, None, :2], boxes2[:, :2])
    inter_lowerrights = torch.min(boxes1[:, None, 2:], boxes2[:, 2:])
    inters = (inter_lowerrights - inter_upperlefts).clamp(min=0) # clamp限制最小值为0
    # `inter_areas` and `union_areas`的形状: (boxes1的数量, boxes2的数量)
    inter_areas = inters[:, :, 0] * inters[:, :, 1]
    # 这里也使用了广播机制 areas1[:, None]
    union_areas = areas1[:, None] + areas2 - inter_areas
    return inter_areas / union_areas

3.将真实的边界框分给锚框

此功能是由下面的assign_anchor_to_bbox函数实现。

我认为这个实现的代码分为两个阶段，第一个阶段就是先找出每行中最大的值以及其对应的GT的编号，如果最大值大于阈值，则分配GT编号，否则，值为-1（即为背景）；第二个阶段就是如下图所示的，和NMS有那么几分相似。

在这里插入图片描述

#@save
def assign_anchor_to_bbox(ground_truth, anchors, device, iou_threshold=0.5):
    """将最接近的真实边界框分配给锚框。"""
    num_anchors, num_gt_boxes = anchors.shape[0], ground_truth.shape[0]
    # 位于第i行和第j列的元素 x_ij 是锚框i和真实边界框j的IoU
    jaccard = box_iou(anchors, ground_truth)
    # 对于每个锚框，分配的真实边界框的张量
    anchors_bbox_map = torch.full((num_anchors,), -1, dtype=torch.long,
                                  device=device)
    # 根据阈值，决定是否分配真实边界框
    max_ious, indices = torch.max(jaccard, dim=1)
    anc_i = torch.nonzero(max_ious >= 0.5).reshape(-1)
    box_j = indices[max_ious >= 0.5]                    # true, false列表
    # anchors_bbox_map中索引为anc_i分配边界框box_j
    anchors_bbox_map[anc_i] = box_j
    col_discard = torch.full((num_anchors,), -1)
    row_discard = torch.full((num_gt_boxes,), -1)
    for _ in range(num_gt_boxes):
        # 找出最大值的索引 jaccard是一个二维的tensor.
        max_idx = torch.argmax(jaccard)
        box_idx = (max_idx % num_gt_boxes).long()
        anc_idx = (max_idx / num_gt_boxes).long()
        anchors_bbox_map[anc_idx] = box_idx
        jaccard[:, box_idx] = col_discard
        jaccard[anc_idx, :] = row_discard
    return anchors_bbox_map

4.标记类别和偏移

现在我们可以为每个锚框标记类别和偏移了。假设一个锚框A被分配了一个真实边界框B。一方面，锚框A的类别将被标记与B的相同；另一方面，锚框A的偏移量将根据B和A的中心坐标的相对位置以及这两个框的大小进行标记。给定框A和B，中心坐标分别为 ( $x$ _a, $y$ _a)和( $x$ _b, $y$ _b)，宽度分别为 $w$ _a和 $w$ _b，高度分别为 $h$ _a和 $h$ _b。

我们可以将A的偏移量标记为：
$(\frac{\frac{x_{b} - x_{a}}{w_{a}} - \mu_{x}}{\sigma_{x}},\frac{\frac{y_{b} - y_{a}}{w_{a}} - \mu_{y}}{\sigma_{y}},\frac{\log\frac{w_{b}}{w_{a}} - \mu_{w}}{\sigma_{w}}, \frac{\log\frac{h_{b}}{h_{a}} - \mu_{h}}{\sigma_{h}})$
其中常量的默认值为 $\mu_{x}$ = $\mu_{y}$ = $\mu_{w}$ = $\mu_{h}$ = 0, $\sigma_{x}$ = $\sigma_{y}$ = 0.1, $\sigma_{w}$ = $\sigma_{h}$ = 0.2这种转换在下面的 offset_boxes函数中实现。

#@save
# offset.shape == anchors.shape
def offset_boxes(anchors, assigned_bb, eps=1e-6):
    """对锚框偏移量的转换。"""
    c_anc = d2l.box_corner_to_center(anchors)
    c_assigned_bb = d2l.box_corner_to_center(assigned_bb)
    offset_xy = 10 * (c_assigned_bb[:, :2] - c_anc[:, :2]) / c_anc[:, 2:]
    offset_wh = 5 * torch.log(eps + c_assigned_bb[:, 2:] / c_anc[:, 2:])
    offset = torch.cat([offset_xy, offset_wh], axis=1)
    return offset

如果一个锚框没有被分配真实边界框，我们只需将锚框的类别标记为“背景”（background）。背景类别的锚框通常被称为“负类”锚框，其余的被称为“正类”锚框。我们使用真实边界框（labels参数）实现以下multibox_target函数，来标记锚框（anchors参数）的类别和偏移量。此函数将背景类别的索引设置为零，然后将新类别的整数索引递增一。

#@save
# 代码的注释是以下面的例子为背景的。
def multibox_target(anchors, labels):
    """使用真实边界框标记锚框。"""
    # 参数labels是真实框
    # anchors[1, 5, 4] labels[1, 2, 5] batch_size = 1
    batch_size, anchors = labels.shape[0], anchors.squeeze(0)
    # anchors[5, 4]
    batch_offset, batch_mask, batch_class_labels = [], [], []
    # num_anchors = 5
    device, num_anchors = anchors.device, anchors.shape[0]
    for i in range(batch_size):
        # label[2, 5]
        label = labels[i, :, :]
        anchors_bbox_map = assign_anchor_to_bbox(
            label[:, 1:], anchors, device)
        # bbox_mask.shape = [num_anchors, 4] (是由1， 0构成的矩阵)
        bbox_mask = ((anchors_bbox_map >= 0).float().unsqueeze(-1)).repeat(
            1, 4)
        # 将类标签和分配的边界框坐标初始化为零
        class_labels = torch.zeros(num_anchors, dtype=torch.long,
                                   device=device)
        assigned_bb = torch.zeros((num_anchors, 4), dtype=torch.float32,
                                  device=device)
        # 使用真实边界框来标记锚框的类别。
        # 如果一个锚框没有被分配，我们标记其为背景（值为零）
        indices_true = torch.nonzero(anchors_bbox_map >= 0)
        bb_idx = anchors_bbox_map[indices_true]
        class_labels[indices_true] = label[bb_idx, 0].long() + 1
        assigned_bb[indices_true] = label[bb_idx, 1:]
        # 偏移量转换        背景类的锚框的offset都设置为0
        offset = offset_boxes(anchors, assigned_bb) * bbox_mask
        batch_offset.append(offset.reshape(-1))
        batch_mask.append(bbox_mask.reshape(-1))
        batch_class_labels.append(class_labels)
    # 按行进行stack()  stack()一定会对维度进行扩充
    bbox_offset = torch.stack(batch_offset)
    bbox_mask = torch.stack(batch_mask)
    class_labels = torch.stack(batch_class_labels)
    return (bbox_offset, bbox_mask,  class_labels)

例子：

ground_truth = torch.tensor([[0, 0.1, 0.08, 0.52, 0.92],
                         [1, 0.55, 0.2, 0.9, 0.88]])
anchors = torch.tensor([[0, 0.1, 0.2, 0.3], [0.15, 0.2, 0.4, 0.4],
                    [0.63, 0.05, 0.88, 0.98], [0.66, 0.45, 0.8, 0.8],
                    [0.57, 0.3, 0.92, 0.9]])

fig = d2l. plt.imshow(img)
show_bboxes(fig.axes, ground_truth[:, 1:] * bbox_scale, ['dog', 'cat'], 'k')
show_bboxes(fig.axes, anchors * bbox_scale, ['0', '1', '2', '3', '4']);

在这里插入图片描述

运行例子之后的代码

labels = multibox_target(anchors.unsqueeze(dim=0), ground_truth.unsqueeze(dim=0))

返回的结果为：

锚框和真实框的偏移

labels[0][0].reshape(-1, 4)

"""
tensor([[-0.00e+00, -0.00e+00, -0.00e+00, -0.00e+00],
        [ 1.40e+00,  1.00e+01,  2.59e+00,  7.18e+00],
        [-1.20e+00,  2.69e-01,  1.68e+00, -1.57e+00],
        [-0.00e+00, -0.00e+00, -0.00e+00, -0.00e+00],
        [-5.71e-01, -1.00e+00,  4.17e-06,  6.26e-01]])
"""

锚框的掩码（1表示非背景类，0表示背景类）

labels[1][0].reshape(-1, 4)

"""
tensor([[0., 0., 0., 0.],
        [1., 1., 1., 1.],
        [1., 1., 1., 1.],
        [0., 0., 0., 0.],
        [1., 1., 1., 1.]])
"""

锚框分配的类别

labels[2]
# 0表示背景， 1表示狗， 2表示猫
# tensor([[0, 1, 2, 0, 2]])

以下是预测的部分：

offset_inverse函数：输入锚框和偏移量去预测真实的边界框

#@save
def offset_inverse(anchors, offset_preds):
    """根据带有预测偏移量的锚框来预测边界框"""
    anc = d2l.box_corner_to_center(anchors)
    pred_bbox_xy = (offset_preds[:, :2] * anc[:, 2:] / 10) + anc[:, :2]
    pred_bbox_wh = torch.exp(offset_preds[:, 2:] / 5) * anc[:, 2:]
    pred_bbox = torch.cat((pred_bbox_xy, pred_bbox_wh), axis=1)
    predicted_bbox = d2l.box_center_to_corner(pred_bbox)
    return predicted_bbox

NMS函数的实现：

对于下面的函数可以举一个简单的例子理解：

假设scores=[0.90, 0.80, 0.91, 0.85], scores其实就是每个框预测的softmax值，假设预测的类别label为[1, 1, 2, 2], 那么最后能不能只剩下[0.90, 0.91]这两个值呢？（即keep=[0, 2] 0和2为保留下来的锚框对应的索引）。

我们来按下面的nms函数走一遍流程：

scores = [0.90, 0.80, 0.91, 0.85]
B = [2, 0, 3, 1]  假设box2和box0、3、1的iou为[0.4, 0.6, 0.3]
keep = []

i = B[0] = 2
keep = [2]
inds = [0, 2]
B = B[1, 3] = [0, 1] 假设box0和box1的交并比为0.6

i = 0
keep = [2, 0]
B = B[[]]=[]  # 终止了

#@save
def nms(boxes, scores, iou_threshold):
    """对预测边界框的置信度进行排序。"""
    B = torch.argsort(scores, dim=-1, descending=True)
    keep = []  # 保留预测边界框的指标
    # numel:元素的个数
    while B.numel() > 0:
        i = B[0]
        keep.append(i)
        if B.numel() == 1: break
        iou = box_iou(boxes[i, :].reshape(-1, 4),
                      boxes[B[1:], :].reshape(-1, 4)).reshape(-1)
        inds = torch.nonzero(iou <= iou_threshold).reshape(-1)
        B = B[inds + 1]
    return torch.tensor(keep, device=boxes.device)

multibox_detection函数如下：

#@save
def multibox_detection(cls_probs, offset_preds, anchors, nms_threshold=0.5,
                       pos_threshold=0.009999999):
    """使用非极大值抑制来预测边界框。"""
    # cls_prob.shape:[1, 3, 4]  offset_preds.shape:[1, 16] anchors.shape:[1, 4, 4]
    # batch_size = 1
    device, batch_size = cls_probs.device, cls_probs.shape[0]
    anchors = anchors.squeeze(0)
    # num_classes = 3,  num_anchors = 4  
    num_classes, num_anchors = cls_probs.shape[1], cls_probs.shape[2]
    out = []
    for i in range(batch_size):
        cls_prob, offset_pred = cls_probs[i], offset_preds[i].reshape(-1, 4)
        conf, class_id = torch.max(cls_prob[1:], dim=0)
        predicted_bb = offset_inverse(anchors, offset_pred)
        keep = nms(predicted_bb, conf, nms_threshold)

        # 找到所有的 non_keep 索引，并将类设置为背景  ## non_keep索引排在后面
        all_idx = torch.arange(num_anchors, dtype=torch.long, device=device)
        combined = torch.cat((keep, all_idx))
        uniques, counts = combined.unique(return_counts=True)
        non_keep = uniques[counts == 1]
        all_id_sorted = torch.cat((keep, non_keep))
        class_id[non_keep] = -1
        class_id = class_id[all_id_sorted]
        conf, predicted_bb = conf[all_id_sorted], predicted_bb[all_id_sorted]
        # `pos_threshold` 是一个用于非背景预测的阈值
        below_min_idx = (conf < pos_threshold)
        class_id[below_min_idx] = -1
        conf[below_min_idx] = 1 - conf[below_min_idx]
        # pred_info.shape: (4, 6)
        pred_info = torch.cat((class_id.unsqueeze(1),
                               conf.unsqueeze(1),
                               predicted_bb), dim=1)
        out.append(pred_info)
    return torch.stack(out)  # out.shape:(1, 4, 6)

例子：

anchors = torch.tensor([[0.1, 0.08, 0.52, 0.92], [0.08, 0.2, 0.56, 0.95],
                      [0.15, 0.3, 0.62, 0.91], [0.55, 0.2, 0.9, 0.88]])
offset_preds = torch.tensor([0] * anchors.numel())
cls_probs = torch.tensor([[0] * 4,  # 背景的预测概率
                      [0.9, 0.8, 0.7, 0.1],  # 狗的预测概率
                      [0.1, 0.2, 0.3, 0.9]])  # 猫的预测概率

我们可以在图像上绘制这些预测边界框和置信度。

fig = d2l.plt.imshow(img)
show_bboxes(fig.axes, anchors * bbox_scale,
            ['dog=0.9', 'dog=0.8', 'dog=0.7', 'cat=0.9'])

在这里插入图片描述
现在调用multibox_detection函数来执行非极大值抑制，其中阈值为0.5。请注意，我们在实例的张量输入中添加了维度。

output = multibox_detection(cls_probs.unsqueeze(dim=0),
                            offset_preds.unsqueeze(dim=0),
                            anchors.unsqueeze(dim=0),
                            nms_threshold=0.5)
output

# out.shape: (batch_size, num_anchors,  6)
#         类别    置信度          预测的框 
"""
tensor([[[ 0.00,  0.90,  0.10,  0.08,  0.52,  0.92],
         [ 1.00,  0.90,  0.55,  0.20,  0.90,  0.88],
         [-1.00,  0.80,  0.08,  0.20,  0.56,  0.95],
         [-1.00,  0.70,  0.15,  0.30,  0.62,  0.91]]])
"""

删除 -1类别（背景类）的预测框后，我们可以输出由非极大值抑制保存的最终的预测边界框。

fig = d2l.plt.imshow(img)
# 取batch_size = 0
for i in output[0].detach().numpy():
    if i[0] == -1:
          continue
    label = ('dog=', 'cat=')[int(i[0])] + str(i[1])
    show_bboxes(fig.axes, [torch.tensor(i[2:]) * bbox_scale], label)