pytorch源码解析系列-yolov4最核心技巧代码详解（2）- Anchorbox 和推理过程

yolo探测法

说代码前 简单提一句，you only look once（yolo）这个英文名 是对标滑动窗口探测
滑动窗口要看好几次，yolo只要看一次，因为yolo的特殊标注方式可以将目标检测问题简化为单步回归问题
yolo的标签是：
P:物体存在与否（置信度）
xyxxyy:坐标和长宽
c 类别置信度）

P	x，y，w，h	c
物体存在与否（置信度）	坐标和长宽	类别置信度

所以一个类别(c=1) 的话 一个标签就有6个值，有多少个格子 多少个anchorbox（一般是3个）再乘
所以一个格子的话 维度就是（5+C）*anchor 重要!
懂了原理 我们就看下代码：

AnchorBox

Yolov4没有用自适应框（就是自己事先写好），了解运作方式对于以后V5自适应框会有更好的理解
我们先看下anchorBox，下面的例子是最小的anchorbox，可以看一下源码的实现方式

num_anchors = 9
stride = 8 ## 另外两个stride16,24
anchor_mask=[0, 1, 2] ## 另外两个anchor[3,4,5] [6,7,8]
anchors=[12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401]
anchor_step = len(anchors) // num_anchors
masked_anchors = []
#代码很简单 取anchors前6个除以stride
for m in anchor_mask:
    masked_anchors += anchors[m * anchor_step:(m + 1) * anchor_step]
masked_anchors = [anchor / stride for anchor in masked_anchors]
#[1.5, 2.0, 2.375, 4.5, 5.0, 3.5] 这个masked_anchors就是我们最小的anchors 怎么用的看下面推理

Yolo推理代码

先从推理看，图片输入网络（看上一章）
代码很长 核心就是用OUT的偏移量和anchor先验框 计算真实框

def yolo_forward(output, conf_thresh, num_classes, anchors, num_anchors, scale_x_y, only_objectness=1,validation=False):
	#这就是我上面说的维度确认
    assert (output.size(1) == (5 + num_classes) * num_anchors)
    # 下面代码 做的事情只有一个 将output的第二维（比如3个anchor）： 
    # [ 2, 2, 1, num_classes, 2, 2, 1, num_classes, 2, 2, 1, num_classes ]
    # 的输入 转成 bxy = [ 6 ] bwh = [ 6 ] det_conf = [ 3 ] cls_conf = [ num_classes * 3 ]

    bxy_list = []
    bwh_list = []
    det_confs_list = []
    cls_confs_list = []
	# 几个anchor 就遍历几次Y标签
    for i in range(num_anchors):
    	#begin end对应一个anchor中所有的标签 对应我上面表格里的东西看！
        begin = i * (5 + num_classes)
        end = (i + 1) * (5 + num_classes)
       	# xy标签
        bxy_list.append(output[:, begin : begin + 2])
        # wh标签
        bwh_list.append(output[:, begin + 2 : begin + 4])
        # P标签 置信度
        det_confs_list.append(output[:, begin + 4 : begin + 5])
        # 类别置信度
        cls_confs_list.append(output[:, begin + 5 : end])

	# 下面代码都是用concat把list合并成torch
    # Shape: [batch, num_anchors * 2, H, W]
    bxy = torch.cat(bxy_list, dim=1)
    # Shape: [batch, num_anchors * 2, H, W]
    bwh