最近使用yolo-tiny进行目标检测,需要用tensorboard将特征图可视化,从网上搜索了一大圈,找到了比较靠谱的方法。`
img_grid = vutils.make_grid(x, normalize=True, scale_each=True, nrow=2)
# 绘制原始图像
writer.add_image('raw img', img_grid, global_step=666) # j 表示feature map数
print(x.size())
model.eval()
for name, layer in model._modules.items():
# 为fc层预处理x
x = x.view(x.size(0), -1) if "fc" in name else x
print(x.size())
x = layer(x)
print(f'{name}')
# 第一个卷积没有进行relu,要记得加上
x = F.relu(x) if 'conv' in name else x
if 'layer' in name or 'conv' in name:
x1 = x.transpose(0, 1) # C,B, H, W ---> B,C, H, W
img_grid = vutils.make_grid(x1, normalize=True, scale_each=True, nrow=4) # normalize进行归一化处理
writer.add_image(f'{name}_feature_maps', img_grid, global_step=0)
因为我需要把网络内部分节点的特征图可视化出来,特征图的每个像素点上的数值范围不是[0,1],而是可正可负,可大可小,因此需要做一些特殊处理。这里就要用到 ==torchvision.utils.make_grid( )==函数,把输入的特征图做一个归一化,把参数normalize设置为True即可,它能帮我们把数据的输入范围调整至[0, 1]之间
def make_grid(tensor, nrow=8, padding=2,
normalize=False, range=None, scale_each=False, pad_value=0):
上面这些方法是针对一些backbone比较简单直接的网络,比如vgg,对于yolo这种backbone比较复杂,一层套一层的,还是不能直接用的。拿yolo4-tiny举例子,backbone为:
#-------------------------------------------------#
# 卷积块
# CONV+BATCHNORM+LeakyReLU
#-------------------------------------------------#
class BasicConv(nn.Module):
def __init__(self, in_channels, out_channels, kernel_size, stride=1):
super(BasicConv, self).__init__()
self.conv = nn.Conv2d(in_channels