前提说明：
1, 关于 yolo 和 yolo v2 的详细解释请移步至如下两个链接，或者直接看论文（我自己有想写 yolo 的教程，但思前想后下面两个链接中的文章质量实在是太好了_(:з」∠)_）
yolo: https://zhuanlan.zhihu.com/p/24916786?refer=xiaoleimlnote
yolo v2: https://zhuanlan.zhihu.com/p/25167153 （解析了yolov2的网络输出格式）
2, 本文仅解读 yolo v2 的 loss 函数的源码，该代码请使用如下命令
git clone https://github.com/pjreddie/darknet
后打开 src/region_layer.c 查看
3, yolo 的官方网站地址为：https://pjreddie.com/darknet/yolo/
4, 我调试代码时使用的命令是：
./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23
5.最新版yolo v2的损失函数的源码解读(解释无GPU版本)，如下：
void forward_region_layer(const region_layer l, network_state state)
{
int i,j,b,t,n;
//size代表着每个box需要预测出来的参数。
int size = l.coords + l.classes + 1;
memcpy(l.output, state.input, l.outputs*l.batch*sizeof(float));
#ifndef GPU
flatten(l.output, l.w*l.h, size*l.n, l.batch, 1);
#endif
for (b = 0; b < l.batch; ++b){
for(i = 0; i < l.h*l.w*l.n; ++i){
int index = size*i + b*l.outputs;
l.output[index + 4] = logistic_activate(l.output[index + 4]);
}
}
#ifndef GPU
if (l.softmax_tree){
for (b = 0; b < l.batch; ++b){
for(i = 0; i < l.h*l.w*l.n; ++i){
int index = size*i + b*l.outputs;
softmax_tree(l.output + index + 5, 1, 0, 1, l.softmax_tree, l.output + index + 5);
}
}
} else if (l.softmax){
for (b = 0; b < l.batch; ++b){
for(i = 0; i < l.h*l.w*l.n; ++i){
int index = size*i + b*l.outputs;
softmax(l.output + index + 5, l.classes, 1, l.output + index + 5);
}
}
}
#endif
if(!state.train) return;
memset(l.delta, 0, l.outputs * l.batch * sizeof(float));
float avg_iou = 0;
float recall = 0;
float avg_cat = 0;
float avg_obj = 0;
float avg_anyobj = 0;
int count = 0;
int class_count = 0;
*(l.cost) = 0;
//这里是对批处理的所有图像进行前向求损失值。
for (b = 0; b < l.batch; ++b) {
//没有使用这个softmax分类器，即不会进入这部分代码。
if(l.softmax_tree){
int onlyclass = 0;
for(t = 0; t < 30; ++t){
box truth = float_to_box(state.truth + t*5 + b*l.truths);
if(!truth.x) break;
int class = state.truth[t*5 + b*l.truths + 4];
float maxp = 0;
int maxi = 0;
if(truth.x > 100000 && truth.y > 100000){
for(n = 0; n < l.n*l.w*l.h; ++n){
int index = size*n + b*l.outputs + 5;
float scale = l.output[index-1];
float p = scale*get_hierarchy_probability(l.output + index, l.softmax_tree, class);
if(p > maxp){
maxp = p;
maxi = n;
}
}
int index = size*maxi + b*l.outputs + 5;
delta_region_class(l.output, l.delta, index, class, l.classes, l.softmax_tree, l.class_scale, &avg_cat);
++class_count;
onlyclass = 1;
break;
}
}
if(onlyclass) continue;
}
/*
这里的l.h,l.w分别是最后卷积输出的特征图分辨率。l.n是anchor box的个数，这个机制是借鉴Faster R-CNN
的回归方法。l.n这个参数跟配置文件的anchors、num有关,值就是num一样。其跟V1版的不同,V1版的是不管最后输出
的特征图分辨率多少都是把起分成7*7个cell,而V2的每个特征点就是一个cell,优点就是：能回归和识别更小的物体。
*/
for (j = 0; j < l.h; ++j) {
for (i = 0; i < l.w; ++i) {
//这个l.n是代表着特征点需要进行预测的不同尺寸的box个数，box宽高大小跟配置文件里的anchor系数有关。
for (n = 0; n < l.n; ++n) {
int index = size*(j*l.w*l.n + i*l.n + n) + b*l.outputs;
box pred = get_region_box(l.output, l.biases, n, index, i, j, l.w, l.h);
float best_iou = 0;
int best_class = -1;
//这里是假设每个特征点cell最多只能有30个物体坐落在相同位置。其实这里的阈值影响不大的，其主要跟truth.x有关。
for(t = 0; t <30; ++t){
// get truth_box's x, y, w, h
box truth = float_to_box(state.truth + t*5 + b*l.truths);
// 遍历完图片中的所有物体后退出
if (!truth.x)
break;
float iou = box_iou(pred, truth);
//选出iou最大那个框作为最后预测框～
if (iou > best_iou) {
best_class = state.truth[t*5 + b*l.truths + 4];
best_iou = iou;
}
}
//计算有没有目标的梯度
avg_anyobj += l.output[index + 4];
l.delta[index + 4] = l.noobject_scale * ((0 - l.output[index + 4]) * logistic_gradient(l.output[index + 4]));
if(l.classfix == -1) l.delta[index + 4] = l.noobject_scale * ((best_iou - l.output[index + 4]) * logistic_gradient(l.output[index + 4]));
else{
if (best_iou > l.thresh) {
l.delta[index + 4] = 0;
if(l.classfix > 0){
delta_region_class(l.output, l.delta, index + 5, best_class, l.classes, l.softmax_tree, l.class_scale*(l.classfix == 2 ? l.output[index + 4] : 1), &avg_cat);
++class_count;
}
}
}
//这里要训练的图片张数达到12800后能进入
if(*(state.net.seen) < 12800){
box truth = {0};
truth.x = (i + .5)/l.w;
truth.y = (j + .5)/l.h;
truth.w = l.biases[2*n];
truth.h = l.biases[2*n+1];
if(DOABS){
truth.w = l.biases[2*n]/l.w;
truth.h = l.biases[2*n+1]/l.h;
}
// 将预测的 tx, ty, tw, th 和 实际box计算得出的 tx',ty', tw', th' 的差存入 l.delta
delta_region_box(truth, l.output, l.biases, n, index, i, j, l.w, l.h, l.delta, .01);
}
}
}
}
//运行到这步，则所有特征图上的所有格子都被标注，即代表有没有物体在此区域。
for(t = 0; t < 30; ++t){
// get truth_box's x, y, w, h
box truth = float_to_box(state.truth + t*5 + b*l.truths);
if(!truth.x) break;
float best_iou = 0;
int best_index = 0;
int best_n = 0;
i = (truth.x * l.w);
j = (truth.y * l.h);
//printf("%d %f %d %f\n", i, truth.x*l.w, j, truth.y*l.h);
// 上面获得了 truth box 的 x,y,w,h，这里讲 truth box 的 x,y 偏移到 0,0，记
//为 truth_shift.x, truth_shift.y，这么做是为了方便计算 iou
box truth_shift = truth;
truth_shift.x = 0;
truth_shift.y = 0;
//printf("index %d %d\n",i, j);
//这里是计算具有真实物体的地方与anchor boxs的匹配值。
for(n = 0; n < l.n; ++n){
//获得box的index。其中size是每个box需要计算的参数，(j*l.w*l.n + i*l.n + n)计算的是第几个格子
//b*l.outputs计算的是第几张输入图片的特征图，这样算就是为了计算位置。
int index = size*(j*l.w*l.n + i*l.n + n) + b*l.outputs;
//获得box的预测，这里先是坐标位置x，y，w，h，而剩下的两个confidence放到后面，
box pred = get_region_box(l.output, l.biases, n, index, i, j, l.w, l.h);
//box的w，h是根据anchors生成的，其中l.biases就是配置文件里的那些anchors参数
if(l.bias_match){
pred.w = l.biases[2*n];
pred.h = l.biases[2*n+1];
if(DOABS){
pred.w = l.biases[2*n]/l.w;
pred.h = l.biases[2*n+1]/l.h;
}
}
//printf("pred: (%f, %f) %f x %f\n", pred.x, pred.y, pred.w, pred.h);
//这里也把box位置移到0,0;这么做是为了方便计算IOU。
pred.x = 0;
pred.y = 0;
float iou = box_iou(pred, truth_shift);
if (iou > best_iou){
best_index = index;
best_iou = iou;
best_n = n;
}
}
//printf("%d %f (%f, %f) %f x %f\n", best_n, best_iou, truth.x, truth.y, truth.w, truth.h);
// 计算 box 和 truth box 的 iou
float iou = delta_region_box(truth, l.output, l.biases, best_n, best_index, i, j, l.w, l.h, l.delta, l.coord_scale);
//如果大于阈值则召回率加1.
if(iou > .5) recall += 1;
avg_iou += iou;
//运行到这里，位置的回归基本完成，下面主要是进行目标分类的操作
//l.delta[best_index + 4] = iou - l.output[best_index + 4];
avg_obj += l.output[best_index + 4];
//这里logistic_gradient把具有目标的区域进行逻辑回归分类，计算其输出的类别分数。
l.delta[best_index + 4] = l.object_scale * (1 - l.output[best_index + 4]) * logistic_gradient(l.output[best_index + 4]);
if (l.rescore) {
// 用 iou 代替上面的 1(经调试，l.rescore = 1，因此能走到这里)
l.delta[best_index + 4] = l.object_scale * (iou - l.output[best_index + 4]) * logistic_gradient(l.output[best_index + 4]);
}
// 获得真实的 class
int class = state.truth[t*5 + b*l.truths + 4];
if (l.map) class = l.map[class];
// 把所有 class 的预测概率与真实 class 的 0/1 的差 * scale，然后存入 l.delta 里相应 class 序号的位置
delta_region_class(l.output, l.delta, best_index + 5, class, l.classes, l.softmax_tree, l.class_scale, &avg_cat);
++count;
++class_count;
}
}
//printf("\n");
#ifndef GPU
flatten(l.delta, l.w*l.h, size*l.n, l.batch, 0);
#endif
// 现在，l.delta 中的每一个位置都存放了 class、confidence、x, y, w, h 的差，于是通过 mag_array 遍历所有位置，计算每个位置的平方的和后开根
// 然后利用 pow 函数求平方
*(l.cost) = pow(mag_array(l.delta, l.outputs * l.batch), 2);
printf("Region Avg IOU: %f, Class: %f, Obj: %f, No Obj: %f, Avg Recall: %f, count: %d\n", avg_iou/count, avg_cat/class_count, avg_obj/count, avg_anyobj/(l.w*l.h*l.n*l.batch), recall/count, count);
}
注：上面的代码解释是个人参考网上资料后的一些见解，其中如有不对的地方，大家可以指出了，通过修改完善造福更多人。
下面是yolov2的特征网络的输出信息结构：
其中xywh是检测到的目标的坐标信息，confidence是网络是否有目标的输出置信度，后面的classPr是网络输出每个类别的置信度。下面是网络最后一层的滤波核的计算公式：
filters=(classes + coords + 1)*(number of anchors)6、yolov2训练完后进行根据输出求解box坐标的函数：
进行最后region层获取结果box，其如下：
if(l.type == DETECTION){
get_detection_boxes(l, 1, 1, demo_thresh, probs, boxes, 0);
} else if (l.type == REGION){
get_region_boxes(l, 1, 1, demo_thresh, probs, boxes, 0, 0);
} else {
error("Last layer must produce detections\n");
}
if (nms > 0) do_nms(boxes, probs, l.w*l.h*l.n, l.classes, nms);
printf("\033[2J");
printf("\033[1;1H");
printf("\nFPS:%.1f\n",fps);
printf("Objects:\n\n");yolov2是运行get_region_boxes，yolov1是运行get_detection_boxes。下面以yolov2的进行讲解：
void get_region_boxes(layer l, int w, int h, float thresh, float **probs, box *boxes, int only_objectness, int *map)
{
int i, j, n;
float *predictions = l.output;
for (i = 0; i < l.w*l.h; ++i){
int row = i / l.w;
int col = i % l.w;
for (n = 0; n < l.n; ++n){
int index = i*l.n + n;
int p_index = index * (l.classes + 5) + 4;
float scale = predictions[p_index];
if (l.classfix == -1 && scale < .5) scale = 0;
int box_index = index * (l.classes + 5);
//这个就是对网络输出值进行计算检测框的相应信息。
boxes[index] = get_region_box(predictions, l.biases, n, box_index, col, row, l.w, l.h);
boxes[index].x *= w;
boxes[index].y *= h;
boxes[index].w *= w;
boxes[index].h *= h;
//取处网格里的预测是否有类别目标的分数值的第一个起始值分数
int class_index = index * (l.classes + 5) + 5;
if (l.softmax_tree){
hierarchy_predictions(predictions + class_index, l.classes, l.softmax_tree, 0);
int found = 0;
if (map){
for (j = 0; j < 200; ++j){
float prob = scale*predictions[class_index + map[j]];
probs[index][j] = (prob > thresh) ? prob : 0;
}
}
else {
for (j = l.classes - 1; j >= 0; --j){
//如果某个类别的分数值大于0.5的阈值，则说明此次预测框里包含有此类目标
if (!found && predictions[class_index + j] > .5){
found = 1;
}
else {
predictions[class_index + j] = 0;
}
float prob = predictions[class_index + j];
probs[index][j] = (scale > thresh) ? prob : 0;
}
}
}
else {
for (j = 0; j < l.classes; ++j){
float prob = scale*predictions[class_index + j];
probs[index][j] = (prob > thresh) ? prob : 0;
}
}
if (only_objectness){
probs[index][0] = scale;
}
}
}
}
其中get_region_box函数的实现如下：
box get_region_box(float *x, float *biases, int n, int index, int i, int j, int w, int h)
{
box b;
//这个就是根据tx，ty，tw，th进行求解当前目标的实际cx cy w h等信息。
//这里为啥加了个sigmoid，是因为计算损失的时候对网络输出的tx，ty，tw，th进行值限制，
//让当前格子的加上偏置而跑到其它格子上。所以对tx ty tw th的值进行限制。
b.x = (i + logistic_activate(x[index + 0])) / w;
b.y = (j + logistic_activate(x[index + 1])) / h;
//这里的biases是anchors里的值，可以理解为网络预测的w\h只是比例值，返回原图的时候需要结合
//anchors的值进行返回。则进行kmeans聚类的时候在原图resize到网络输入大小时，此时的w h 进行聚类即可。
b.w = exp(x[index + 2]) * biases[2 * n];
b.h = exp(x[index + 3]) * biases[2 * n + 1];
if (DOABS){
b.w = exp(x[index + 2]) * biases[2 * n] / w;
b.h = exp(x[index + 3]) * biases[2 * n + 1] / h;
}
return b;
}
下面是进行delta_region_box求tx、ty、tw th信息损失loss的计算函数：
float delta_region_box(box truth, float *x, float *biases, int n, int index, int i, int j, int w, int h, float *delta, float scale)
{
box pred = get_region_box(x, biases, n, index, i, j, w, h);
float iou = box_iou(pred, truth);
//真实目标的信息求当前目标跟这个i，j中心的偏置tx ty tw th
//get_region_box基本是根据下面tx ty tw th四个公式的反计算来求得检测目标的位置的。
float tx = (truth.x*w - i);
float ty = (truth.y*h - j);
float tw = log(truth.w / biases[2 * n]);
float th = log(truth.h / biases[2 * n + 1]);
if (DOABS){
tw = log(truth.w*w / biases[2 * n]);
th = log(truth.h*h / biases[2 * n + 1]);
}
//logistic_activate就相当于限制网络计算出来的tx，ty不会大于1，而出现越格子的问题。
delta[index + 0] = scale * (tx - logistic_activate(x[index + 0])) * logistic_gradient(logistic_activate(x[index + 0]));
delta[index + 1] = scale * (ty - logistic_activate(x[index + 1])) * logistic_gradient(logistic_activate(x[index + 1]));
delta[index + 2] = scale * (tw - x[index + 2]);
delta[index + 3] = scale * (th - x[index + 3]);
return iou;
}
下面是yolov1的损失函数计算公式（yolov2损失计算总统跟v1的一样，区别在于v1 限制tw th的方式是用根号）：
而yolov2主要是对其中第一个coord的loss详细计算公式见delta_region_box。
其中在训练完后，进行前向求世界目标的坐标信息bx by bw bh 公式如下:
是当前网格左上角到图像左上角的距离，要先将网格大小归一化，即令一个网格的宽=1，高=1。 是先验框的宽和高。σ是sigmoid函数。 tx ty tw th是要学习的参数，用函数实现如上面的get_region_box函数。
下面是yolov2读取anchors时候的代码，在parser.c里parse_region：
layer l = make_region_layer(params.batch, params.w, params.h, num, classes, coords);
char *a = option_find_str(options, "anchors", 0);
if(a){
int len = strlen(a);
int n = 1;
int i;
for(i = 0; i < len; ++i){
if (a[i] == ',') ++n;
}
for(i = 0; i < n; ++i){
float bias = atof(a);
l.biases[i] = bias;
a = strchr(a, ',')+1;
}
}
397
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
