deeplabv3+源码之慢慢解析23 第四章network文件夹(4)modeling.py--5个私有函数（4个骨干网，1个模型载入）-CSDN博客

本文链接：https://blog.csdn.net/xiaokeyoulile/article/details/131638519

系列文章目录（共五章33节已完结）

第一章deeplabv3+源码之慢慢解析根目录(1)main.py–get_argparser函数
第一章deeplabv3+源码之慢慢解析根目录(2)main.py–get_dataset函数
第一章deeplabv3+源码之慢慢解析根目录(3)main.py–validate函数
第一章deeplabv3+源码之慢慢解析根目录(4)main.py–main函数
第一章deeplabv3+源码之慢慢解析根目录(5)predict.py–get_argparser函数和main函数

第二章deeplabv3+源码之慢慢解析 datasets文件夹(1)voc.py–voc_cmap函数和download_extract函数
第二章deeplabv3+源码之慢慢解析 datasets文件夹(2)voc.py–VOCSegmentation类
第二章deeplabv3+源码之慢慢解析 datasets文件夹(3)cityscapes.py–Cityscapes类
第二章deeplabv3+源码之慢慢解析 datasets文件夹(4)utils.py–6个小函数

第三章deeplabv3+源码之慢慢解析 metrics文件夹stream_metrics.py–StreamSegMetrics类和AverageMeter类

第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(a1)hrnetv2.py–4个函数和可执行代码
第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(a2)hrnetv2.py–Bottleneck类和BasicBlock类
第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(a3)hrnetv2.py–StageModule类
第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(a4)hrnetv2.py–HRNet类
第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(b1)mobilenetv2.py–2个类和2个函数
第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(b2)mobilenetv2.py–MobileNetV2类和mobilenet_v2函数
第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(c1)resnet.py–2个基础函数，BasicBlock类和Bottleneck类
第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(c2)resnet.py–ResNet类和10个不同结构的调用函数
第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(d1)xception.py–SeparableConv2d类和Block类
第四章deeplabv3+源码之慢慢解析 network文件夹(1)backbone文件夹(d2)xception.py–Xception类和xception函数
第四章deeplabv3+源码之慢慢解析 network文件夹(2)_deeplab.py–ASPP相关的4个类和1个函数
第四章deeplabv3+源码之慢慢解析 network文件夹(3)_deeplab.py–DeepLabV3类，DeepLabHeadV3Plus类和DeepLabHead类
第四章deeplabv3+源码之慢慢解析 network文件夹(4)modeling.py–5个私有函数（4个骨干网，1个模型载入）
第四章deeplabv3+源码之慢慢解析 network文件夹(5)modeling.py–12个调用函数
第四章deeplabv3+源码之慢慢解析 network文件夹(6)utils.py–_SimpleSegmentationModel类和IntermediateLayerGetter类

第五章deeplabv3+源码之慢慢解析 utils文件夹(1)ext_transforms.py.py–2个翻转类和ExtCompose类
第五章deeplabv3+源码之慢慢解析 utils文件夹(2)ext_transforms.py.py–2个裁剪类和2个缩放类
第五章deeplabv3+源码之慢慢解析 utils文件夹(3)ext_transforms.py.py–旋转类，填充类，张量转化类和标准化类
第五章deeplabv3+源码之慢慢解析 utils文件夹(4)ext_transforms.py.py–ExtResize类，ExtColorJitter类，Lambda类和Compose类
第五章deeplabv3+源码之慢慢解析 utils文件夹(5)loss.py–FocalLoss类
第五章deeplabv3+源码之慢慢解析 utils文件夹(6)scheduler.py–PolyLR类
第五章deeplabv3+源码之慢慢解析 utils文件夹(7)utils.py–去标准化，momentum设定，标准化层锁定和路径创建
第五章deeplabv3+源码之慢慢解析 utils文件夹(8)visualizer.py–Visualizer类（完结）

文章目录

前期准备和说明

modeling.py是对前面几节代码的整合，所以务必搞清楚前面的_deeplab.py之后再学习。
部分会用到本文件夹下的utils.py的内容，在本章最后一节讲述。
modeling.py包含17个函数，5个私有函数（本节，4个骨干网，1个模型载入），12个可供调用的函数（下一节）。

导入部分

from .utils import IntermediateLayerGetter #utils.py导入
from ._deeplab import DeepLabHead, DeepLabHeadV3Plus, DeepLabV3    #_deeplab.py导入
from .backbone import (
    resnet,
    mobilenetv2,
    hrnetv2,
    xception
)                        #4类骨干网

_segm_hrnet类

提示：hrnet骨干网络。

def _segm_hrnet(name, backbone_name, num_classes, pretrained_backbone):

    backbone = hrnetv2.__dict__[backbone_name](pretrained_backbone)#从hrnetv2.__dict__选择骨干网的具体名称
    # HRNetV2 config:
    # the final output channels is dependent on highest resolution channel config (c).
    # output of backbone will be the inplanes to assp:
    hrnet_channels = int(backbone_name.split('_')[-1]) #从backbone_name参数最后1项选择骨干网的通道数
    inplanes = sum([hrnet_channels * 2 ** i for i in range(4)]) #根据hrnetv2网络结构需求，计算输入总通道数。详见backbone文件夹hrnetv2.py
    low_level_planes = 256 # all hrnet version channel output from bottleneck is the same #hrnet的各版本bottleneck输出都是256.
    aspp_dilate = [12, 24, 36] # If follow paper trend, can put [24, 48, 72].#此处与论文不同，修改了参数。

    if name=='deeplabv3plus': #如果是v3+版本，则有个out+low_level的汇总。
        return_layers = {'stage4': 'out', 'layer1': 'low_level'}         

        classifier = DeepLabHeadV3Plus(inplanes, low_level_planes, num_classes, aspp_dilate)#详见_deeplab.py的DeepLabHeadV3Plus。
    elif name=='deeplabv3':#如果是v3版本，则只有out，没有low_level的部分。
        return_layers = {'stage4': 'out'}
        classifier = DeepLabHead(inplanes, num_classes, aspp_dilate)#详见_deeplab.py的 DeepLabHead。

    backbone = IntermediateLayerGetter(backbone, return_layers=return_layers, hrnet_flag=True)#详见本文件夹utils.py的IntermediateLayerGetter。
    model = DeepLabV3(backbone, classifier)#详见_deeplab.py的DeepLabV3，即utils.py的_SimpleSegmentationModel。
    return model

_segm_resnet类

提示：resnet骨干网络。

def _segm_resnet(name, backbone_name, num_classes, output_stride, pretrained_backbone):

    if output_stride==8: #如果output_stride==8，则用dilation替代stride设置为[False, True, True]，空洞卷积设置为[12, 24, 36]。
        replace_stride_with_dilation=[False, True, True]
        aspp_dilate = [12, 24, 36]
    else: #如果output_stride！=8，则参数设置为如下值。
        replace_stride_with_dilation=[False, False, True]
        aspp_dilate = [6, 12, 18]

    backbone = resnet.__dict__[backbone_name]( #从resnet.__dict__选择骨干网的具体名称
        pretrained=pretrained_backbone,
        replace_stride_with_dilation=replace_stride_with_dilation)
    
    inplanes = 2048 #输入和 low_level_planes设定。
    low_level_planes = 256

    if name=='deeplabv3plus':  #下面部分同_segm_hrnet函数的解释。
        return_layers = {'layer4': 'out', 'layer1': 'low_level'}
        classifier = DeepLabHeadV3Plus(inplanes, low_level_planes, num_classes, aspp_dilate)
    elif name=='deeplabv3':
        return_layers = {'layer4': 'out'}
        classifier = DeepLabHead(inplanes , num_classes, aspp_dilate)
    backbone = IntermediateLayerGetter(backbone, return_layers=return_layers)

    model = DeepLabV3(backbone, classifier)
    return model

_segm_xception类

提示：xception骨干网络。

def _segm_xception(name, backbone_name, num_classes, output_stride, pretrained_backbone):
    if output_stride==8: #上半部分同_segm_resnet函数的解释。
        replace_stride_with_dilation=[False, False, True, True]
        aspp_dilate = [12, 24, 36]
    else:
        replace_stride_with_dilation=[False, False, False, True]
        aspp_dilate = [6, 12, 18]
    
    backbone = xception.xception(pretrained= 'imagenet' if pretrained_backbone else False, replace_stride_with_dilation=replace_stride_with_dilation)
    
    inplanes = 2048
    low_level_planes = 128
    
    if name=='deeplabv3plus': #下面部分同_segm_hrnet函数的解释。
        return_layers = {'conv4': 'out', 'block1': 'low_level'}
        classifier = DeepLabHeadV3Plus(inplanes, low_level_planes, num_classes, aspp_dilate)
    elif name=='deeplabv3':
        return_layers = {'conv4': 'out'}
        classifier = DeepLabHead(inplanes , num_classes, aspp_dilate)
    backbone = IntermediateLayerGetter(backbone, return_layers=return_layers)
    model = DeepLabV3(backbone, classifier)
    return model

_segm_mobilenet类

提示：mobilenet骨干网络。

def _segm_mobilenet(name, backbone_name, num_classes, output_stride, pretrained_backbone):
    if output_stride==8: #上半部分同_segm_resnet函数的解释。
        aspp_dilate = [12, 24, 36]
    else:
        aspp_dilate = [6, 12, 18]

    backbone = mobilenetv2.mobilenet_v2(pretrained=pretrained_backbone, output_stride=output_stride)
    
    # rename layers
    backbone.low_level_features = backbone.features[0:4]  #详见mobilenetv2.py，self.features就是别的骨干网里的self.layers。此处即重新调整层的名字。前4层叫low_level_features，之后的叫high_level_features。
    backbone.high_level_features = backbone.features[4:-1]
    backbone.features = None #重命名之后，features置空。
    backbone.classifier = None #分类层也置空。

    inplanes = 320
    low_level_planes = 24
    
    if name=='deeplabv3plus': #下面部分同_segm_hrnet函数的解释。
        return_layers = {'high_level_features': 'out', 'low_level_features': 'low_level'}
        classifier = DeepLabHeadV3Plus(inplanes, low_level_planes, num_classes, aspp_dilate)
    elif name=='deeplabv3':
        return_layers = {'high_level_features': 'out'}
        classifier = DeepLabHead(inplanes , num_classes, aspp_dilate)
    backbone = IntermediateLayerGetter(backbone, return_layers=return_layers)

    model = DeepLabV3(backbone, classifier)
    return model

_load_model类

提示：调用上面的4个函数而已。

def _load_model(arch_type, backbone, num_classes, output_stride, pretrained_backbone):
#根据不同输入参数，选择调用对应的函数，载入对应的骨干网模型的feature-map数据（即最终分类输出之前的数据）。
    if backbone=='mobilenetv2':
        model = _segm_mobilenet(arch_type, backbone, num_classes, output_stride=output_stride, pretrained_backbone=pretrained_backbone)
    elif backbone.startswith('resnet'):
        model = _segm_resnet(arch_type, backbone, num_classes, output_stride=output_stride, pretrained_backbone=pretrained_backbone)
    elif backbone.startswith('hrnetv2'):
        model = _segm_hrnet(arch_type, backbone, num_classes, pretrained_backbone=pretrained_backbone)
    elif backbone=='xception':
        model = _segm_xception(arch_type, backbone, num_classes, output_stride=output_stride, pretrained_backbone=pretrained_backbone)
    else:
        raise NotImplementedError
    return model