睿智的目標檢測27——Pytorch搭建Faster R-CNN目標檢測平臺
學習前言
好的pytorch版本也應該有個faster rcnn。
什麼是FasterRCNN目標檢測算法
Faster-RCNN是一個非常有效的目標檢測算法,雖然是一個比較早的論文, 但它至今仍是許多目標檢測算法的基礎。
Faster-RCNN作爲一種two-stage的算法,與one-stage的算法相比,two-stage的算法更加複雜且速度較慢,但是檢測精度會更高。
事實上也確實是這樣,Faster-RCNN的檢測效果非常不錯,但是檢測速度與訓練速度有待提高。
源碼下載
https://github.com/bubbliiiing/faster-rcnn-pytorch
喜歡的可以點個star噢。
Faster-RCNN實現思路
一、預測部分
1、主幹網絡介紹
Faster-RCNN可以採用多種的主幹特徵提取網絡,常用的有VGG,Resnet,Xception等等,本文以Resnet網絡爲例子來給大家演示一下。
Faster-Rcnn對輸入進來的圖片尺寸沒有固定,但是一般會把輸入進來的圖片短邊固定成600,如輸入一張1200x1800的圖片,會把圖片不失真的resize到600x900上。
ResNet50有兩個基本的塊,分別名爲Conv Block和Identity Block,其中Conv Block輸入和輸出的維度是不一樣的,所以不能連續串聯,它的作用是改變網絡的維度;Identity Block輸入維度和輸出維度相同,可以串聯,用於加深網絡的。
Conv Block的結構如下:
Identity Block的結構如下:
這兩個都是殘差網絡結構。
Faster-RCNN的主幹特徵提取網絡部分只包含了長寬壓縮了四次的內容,第五次壓縮後的內容在ROI中使用。即Faster-RCNN在主幹特徵提取網絡所用的網絡層如圖所示。
以輸入的圖片爲600x600爲例,shape變化如下:
最後一層的輸出就是公用特徵層。
在代碼裏裏面,我們使用resnet50()函數來獲得resnet50的公用特徵層。
其中features部分爲公用特徵層,classifier部分爲第二階段用到的分類器。
def resnet50():
model = ResNet(Bottleneck, [3, 4, 6, 3])
# 獲取特徵提取部分
features = list([model.conv1, model.bn1, model.relu, model.maxpool, model.layer1, model.layer2, model.layer3])
# 獲取分類部分
classifier = list([model.layer4, model.avgpool])
features = nn.Sequential(*features)
classifier = nn.Sequential(*classifier)
return features,classifier
全部實現代碼爲:
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable
import math
import torch.utils.model_zoo as model_zoo
import pdb
model_urls = {
'resnet18': 'https://s3.amazonaws.com/pytorch/models/resnet18-5c106cde.pth',
'resnet34': 'https://s3.amazonaws.com/pytorch/models/resnet34-333f7ec4.pth',
'resnet50': 'https://s3.amazonaws.com/pytorch/models/resnet50-19c8e357.pth',
'resnet101': 'https://s3.amazonaws.com/pytorch/models/resnet101-5d3b4d8f.pth',
'resnet152': 'https://s3.amazonaws.com/pytorch/models/resnet152-b121ed2d.pth',
}
class Bottleneck(nn.Module):
expansion = 4
def __init__(self, inplanes, planes, stride=1, downsample=None):
super(Bottleneck, self).__init__()
self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, stride=stride, bias=False) # change
self.bn1 = nn.BatchNorm2d(planes)
self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=1, # change
padding=1, bias=False)
self.bn2 = nn.BatchNorm2d(planes)
self.conv3 = nn.Conv2d(planes, planes * 4, kernel_size=1, bias=False)
self.bn3 = nn.BatchNorm2d(planes * 4)
self.relu = nn.ReLU(inplace=True)
self.downsample = downsample
self.stride = stride
def forward(self, x):
residual = x
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
out = self.relu(out)
out = self.conv3(out)
out = self.bn3(out)
if self.downsample is not None:
residual = self.downsample(x)
out += residual
out = self.relu(out)
return out
class ResNet(nn.Module):
def __init__(self, block, layers, num_classes=1000):
self.inplanes = 64
super(ResNet, self).__init__()
self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,
bias=False)
self.bn1 = nn.BatchNorm2d(64)
self.relu = nn.ReLU(inplace=True)
self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=0, ceil_mode=True) # change
self.layer1 = self._make_layer(block, 64, layers[0])
self.layer2 = self._make_layer(block, 128, layers[1], stride=2)
self.layer3 = self._make_layer(block, 256, layers[2], stride=2)
self.layer4 = self._make_layer(block, 512, layers[3], stride=2)
self.avgpool = nn.AvgPool2d(7)
self.fc = nn.Linear(512 * block.expansion, num_classes)
for m in self.modules():
if isinstance(m, nn.Conv2d):
n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
m.weight.data.normal_(0, math.sqrt(2. / n))
elif isinstance(m, nn.BatchNorm2d):
m.weight.data.fill_(1)
m.bias.data.zero_()
def _make_layer(self, block, planes, blocks, stride=1):
downsample = None
if stride != 1 or self.inplanes != planes * block.expansion:
downsample = nn.Sequential(
nn.Conv2d(self.inplanes, planes * block.expansion,
kernel_size=1, stride=stride, bias=False),
nn.BatchNorm2d(planes * block.expansion),
)
layers = []
layers.append(block(self.inplanes, planes, stride, downsample))
self.inplanes = planes * block.expansion
for i in range(1, blocks):
layers.append(block(self.inplanes, planes))
return nn.Sequential(*layers)
def forward(self, x):
x = self.conv1(x)
x = self.bn1(x)
x = self.relu(x)
x = self.maxpool(x)
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
x = self.avgpool(x)
x = x.view(x.size(0), -1)
x = self.fc(x)
return x
def resnet50():
model = ResNet(Bottleneck, [3, 4, 6, 3])
# 獲取特徵提取部分
features = list([model.conv1, model.bn1, model.relu, model.maxpool, model.layer1, model.layer2, model.layer3])
# 獲取分類部分
classifier = list([model.layer4, model.avgpool])
features = nn.Sequential(*features)
classifier = nn.Sequential(*classifier)
return features,classifier
2、獲得Proposal建議框
獲得的公用特徵層在圖像中就是Feature Map,其有兩個應用,一個是和ROIPooling結合使用、另一個是進行一次3x3的卷積後,進行一個18通道的1x1卷積,還有一個36通道的1x1卷積。
在Faster-RCNN中,num_priors也就是先驗框的數量就是9,所以兩個1x1卷積的結果實際上也就是:
9 x 4的卷積 用於預測 公用特徵層上 每一個網格點上 每一個先驗框的變化情況。(爲什麼說是變化情況呢,這是因爲Faster-RCNN的預測結果需要結合先驗框獲得預測框,預測結果就是先驗框的變化情況。)
9 x 2的卷積 用於預測 公用特徵層上 每一個網格點上 每一個預測框內部是否包含了物體,序號爲1的內容爲包含物體的概率。
當我們輸入的圖片的shape是600x600x3的時候,公用特徵層的shape就是38x38x1024,相當於把輸入進來的圖像分割成38x38的網格,然後每個網格存在9個先驗框,這些先驗框有不同的大小,在圖像上密密麻麻。
9 x 4的卷積的結果會對這些先驗框進行調整,獲得一個新的框。
9 x 2的卷積會判斷上述獲得的新框是否包含物體。
到這裏我們可以獲得了一些有用的框,這些框會利用9 x 2的卷積判斷是否存在物體。
到此位置還只是粗略的一個框的獲取,也就是一個建議框。然後我們會在建議框裏面繼續找東西。
實現代碼爲:
class RegionProposalNetwork(nn.Module):
def __init__(
self, in_channels=512, mid_channels=512, ratios=[0.5, 1, 2],
anchor_scales=[8, 16, 32], feat_stride=16,
mode = "training",
):
super(RegionProposalNetwork, self).__init__()
self.anchor_base = generate_anchor_base(anchor_scales=anchor_scales, ratios=ratios)
# 步長,壓縮的倍數
self.feat_stride = feat_stride
self.proposal_layer = ProposalCreator(mode)
# 每一個網格上默認先驗框的數量
n_anchor = self.anchor_base.shape[0]
# 先進行一個3x3的卷積
self.conv1 = nn.Conv2d(in_channels, mid_channels, 3, 1, 1)
# 分類預測先驗框內部是否包含物體
self.score = nn.Conv2d(mid_channels, n_anchor * 2, 1, 1, 0)
# 迴歸預測對先驗框進行調整
self.loc = nn.Conv2d(mid_channels, n_anchor * 4, 1, 1, 0)
normal_init(self.conv1, 0, 0.01)
normal_init(self.score, 0, 0.01)
normal_init(self.loc, 0, 0.01)
def forward(self, x, img_size, scale=1.):
n, _, hh, ww = x.shape
# 對共享特徵層進行一個3x3的卷積
h = F.relu(self.conv1(x))
# 迴歸預測
rpn_locs = self.loc(h)
rpn_locs = rpn_locs.permute(0, 2, 3, 1).contiguous().view(n, -1, 4)
# 分類預測
rpn_scores = self.score(h)
rpn_scores = rpn_scores.permute(0, 2, 3, 1).contiguous().view(n, -1, 2)
# 進行softmax
rpn_softmax_scores = F.softmax(rpn_scores, dim=-1)
rpn_fg_scores = rpn_softmax_scores[:, :, 1].contiguous()
rpn_fg_scores = rpn_fg_scores.view(n, -1)
rpn_scores = rpn_scores.view(n, -1, 2)
3、Proposal建議框的解碼
通過第二步我們獲得了38x38x9個先驗框的預測結果。預測結果包含兩部分。
9 x 4的卷積 用於預測 公用特徵層上 每一個網格點上 每一個先驗框的變化情況。**
9 x 2的卷積 用於預測 公用特徵層上 每一個網格點上 每一個預測框內部是否包含了物體。
相當於就是將整個圖像分成38x38個網格;然後從每個網格中心建立9個先驗框,一共38x38x9個,12996個先驗框。
當輸入圖像shape不同時,先驗框的數量也會發生改變。
先驗框雖然可以代表一定的框的位置信息與框的大小信息,但是其是有限的,無法表示任意情況,因此還需要調整。
9 x 4中的9表示了這個網格點所包含的先驗框數量,其中的4表示了框的中心與長寬的調整情況。
實現代碼如下:
class ProposalCreator():
def __init__(self,
mode,
nms_thresh=0.7,
n_train_pre_nms=3000,
n_train_post_nms=300,
n_test_pre_nms=3000,
n_test_post_nms=300,
min_size=16
):
self.mode = mode
self.nms_thresh = nms_thresh
self.n_train_pre_nms = n_train_pre_nms
self.n_train_post_nms = n_train_post_nms
self.n_test_pre_nms = n_test_pre_nms
self.n_test_post_nms = n_test_post_nms
self.min_size = min_size
def __call__(self, loc, score,
anchor, img_size, scale=1.):
if self.mode == "training":
n_pre_nms = self.n_train_pre_nms
n_post_nms = self.n_train_post_nms
else:
n_pre_nms = self.n_test_pre_nms
n_post_nms = self.n_test_post_nms
# 將RPN網絡預測結果轉化成建議框
roi = loc2bbox(anchor, loc)
# 利用slice進行分割,防止建議框超出圖像邊緣
roi[:, slice(0, 4, 2)] = np.clip(roi[:, slice(0, 4, 2)], 0, img_size[1])
roi[:, slice(1, 4, 2)] = np.clip(roi[:, slice(1, 4, 2)], 0, img_size[0])
# 寬高的最小值不可以小於16
min_size = self.min_size * scale
# 計算高寬
ws = roi[:, 2] - roi[:, 0]
hs = roi[:, 3] - roi[:, 1]
# 防止建議框過小
keep = np.where((hs >= min_size) & (ws >= min_size))[0]
roi = roi[keep, :]
score = score[keep]
# 取出成績最好的一些建議框
order = score.ravel().argsort()[::-1]
if n_pre_nms > 0:
order = order[:n_pre_nms]
roi = roi[order, :]
roi = nms(roi,self.nms_thresh)
roi = torch.Tensor(roi)
roi = roi[:n_post_nms]
return roi
def loc2bbox(src_bbox, loc):
if src_bbox.shape[0] == 0:
return np.zeros((0, 4), dtype=loc.dtype)
src_bbox = src_bbox.astype(src_bbox.dtype, copy=False)
src_width = src_bbox[:, 2] - src_bbox[:, 0]
src_height = src_bbox[:, 3] - src_bbox[:, 1]
src_ctr_x = src_bbox[:, 0] + 0.5 * src_width
src_ctr_y = src_bbox[:, 1] + 0.5 * src_height
dx = loc[:, 0::4]
dy = loc[:, 1::4]
dw = loc[:, 2::4]
dh = loc[:, 3::4]
ctr_x = dx * src_width[:, np.newaxis] + src_ctr_x[:, np.newaxis]
ctr_y = dy * src_height[:, np.newaxis] + src_ctr_y[:, np.newaxis]
w = np.exp(dw) * src_width[:, np.newaxis]
h = np.exp(dh) * src_height[:, np.newaxis]
dst_bbox = np.zeros(loc.shape, dtype=loc.dtype)
dst_bbox[:, 0::4] = ctr_x - 0.5 * w
dst_bbox[:, 1::4] = ctr_y - 0.5 * h
dst_bbox[:, 2::4] = ctr_x + 0.5 * w
dst_bbox[:, 3::4] = ctr_y + 0.5 * h
return dst_bbox
4、對Proposal建議框加以利用(RoiPoolingConv)
讓我們對建議框有一個整體的理解:
事實上建議框就是對圖片哪一個區域有物體存在進行初步篩選。
通過主幹特徵提取網絡,我們可以獲得一個公用特徵層,當輸入圖片爲600x600x3的時候,它的shape是38x38x1024,然後建議框會對這個公用特徵層進行截取。
其實公用特徵層裏面的38x38對應着圖片裏的38x38個區域,38x38中的每一個點相當於這個區域內部所有特徵的濃縮。
建議框會對這38x38個區域進行截取,也就是認爲這些區域裏存在目標,然後將截取的結果進行resize,resize到14x14x1024的大小。
然後再對每個建議框再進行Resnet原有的第五次壓縮。壓縮完後進行一個平均池化,再進行一個Flatten,最後分別進行一個num_classes的全連接和(num_classes)x4全連接。
num_classes的全連接用於對最後獲得的框進行分類,(num_classes)x4全連接用於對相應的建議框進行調整。
通過這些操作,我們可以獲得所有建議框的調整情況,和這個建議框調整後框內物體的類別。
事實上,在上一步獲得的建議框就是ROI的先驗框。
對Proposal建議框加以利用的過程與shape變化如圖所示:
建議框調整後的結果就是最終的預測結果了,可以在圖上進行繪畫了。
class Resnet50RoIHead(nn.Module):
def __init__(self, n_class, roi_size, spatial_scale,
classifier):
# n_class includes the background
super(Resnet50RoIHead, self).__init__()
# 獲得用於分類的層
self.classifier = classifier
self.cls_loc = nn.Linear(2048, n_class * 4)
self.score = nn.Linear(2048, n_class)
normal_init(self.cls_loc, 0, 0.001)
normal_init(self.score, 0, 0.01)
# 分多少個類,包括背景
self.n_class = n_class
# 以VGG爲backbone時,roi_size爲7
self.roi_size = roi_size
self.spatial_scale = spatial_scale
self.roi = RoIPooling2D(self.roi_size, self.roi_size, self.spatial_scale)
def forward(self, x, rois, roi_indices):
roi_indices = torch.Tensor(roi_indices).cuda().float()
rois = torch.Tensor(rois).cuda().float()
indices_and_rois = torch.cat([roi_indices[:, None], rois], dim=1)
xy_indices_and_rois = indices_and_rois[:, [0, 1, 2, 3, 4]]
indices_and_rois = xy_indices_and_rois.contiguous()
# 利用建議框對公用特徵層進行截取
pool = self.roi(x, indices_and_rois)
fc7 = self.classifier(pool)
fc7 = fc7.view(fc7.size(0), -1)
roi_cls_locs = self.cls_loc(fc7)
roi_scores = self.score(fc7)
return roi_cls_locs, roi_scores
5、在原圖上進行繪製
在第四步的結尾,我們對建議框進行再一次進行解碼後,我們可以獲得預測框在原圖上的位置,而且這些預測框都是經過篩選的。這些篩選後的框可以直接繪製在圖片上,就可以獲得結果了。
6、整體的執行流程
幾個小tip:
1、共包含了兩次解碼過程。
2、先進行粗略的篩選再細調。
3、第一次獲得的建議框解碼後的結果是對共享特徵層featuremap進行截取。
二、訓練部分
Faster-RCNN的訓練過程和它的預測過程一樣,分爲兩部分,首先要訓練獲得建議框網絡,然後再訓練後面利用ROI獲得預測結果的網絡。
1、建議框網絡的訓練
公用特徵層如果要獲得建議框的預測結果,需要再進行一次3x3的卷積後,進行一個2通道的1x1卷積,還有一個36通道的1x1卷積。
在Faster-RCNN中,num_priors也就是先驗框的數量就是9,所以兩個1x1卷積的結果實際上也就是:
9 x 4的卷積 用於預測 公用特徵層上 每一個網格點上 每一個先驗框的變化情況。(爲什麼說是變化情況呢,這是因爲Faster-RCNN的預測結果需要結合先驗框獲得預測框,預測結果就是先驗框的變化情況。)
9 x 2的卷積 用於預測 公用特徵層上 每一個網格點上 每一個預測框內部是否包含了物體。
也就是說,我們直接利用Faster-RCNN建議框網絡預測到的結果,並不是建議框在圖片上的真實位置,需要解碼才能得到真實位置。
而在訓練的時候,我們需要計算loss函數,這個loss函數是相對於Faster-RCNN建議框網絡的預測結果的。我們需要把圖片輸入到當前的Faster-RCNN建議框的網絡中,得到建議框的結果;同時還需要進行編碼,這個編碼是把真實框的位置信息格式轉化爲Faster-RCNN建議框預測結果的格式信息。
也就是,我們需要找到 每一張用於訓練的圖片的每一個真實框對應的先驗框,並求出如果想要得到這樣一個真實框,我們的建議框預測結果應該是怎麼樣的。
從建議框預測結果獲得真實框的過程被稱作解碼,而從真實框獲得建議框預測結果的過程就是編碼的過程。
因此我們只需要將解碼過程逆過來就是編碼過程了。
實現代碼如下:
class AnchorTargetCreator(object):
def __init__(self,
n_sample=256,
pos_iou_thresh=0.7, neg_iou_thresh=0.3,
pos_ratio=0.5):
self.n_sample = n_sample
self.pos_iou_thresh = pos_iou_thresh
self.neg_iou_thresh = neg_iou_thresh
self.pos_ratio = pos_ratio
def __call__(self, bbox, anchor, img_size):
argmax_ious, label = self._create_label(anchor, bbox)
# 利用先驗框和其對應的真實框進行編碼
loc = bbox2loc(anchor, bbox[argmax_ious])
return loc, label
def _create_label(self, anchor, bbox):
# 1是正樣本,0是負樣本,-1忽略
label = np.empty((len(anchor),), dtype=np.int32)
label.fill(-1)
# argmax_ious爲每個先驗框對應的最大的真實框的序號
# max_ious爲每個真實框對應的最大的真實框的iou
# gt_argmax_ious爲每一個真實框對應的最大的先驗框的序號
argmax_ious, max_ious, gt_argmax_ious = \
self._calc_ious(anchor, bbox)
# 如果小於門限函數則設置爲負樣本
label[max_ious < self.neg_iou_thresh] = 0
# 每個真實框至少對應一個先驗框
label[gt_argmax_ious] = 1
# 如果大於門限函數則設置爲正樣本
label[max_ious >= self.pos_iou_thresh] = 1
# 判斷正樣本數量是否大於128,如果大於的話則去掉一些
n_pos = int(self.pos_ratio * self.n_sample)
pos_index = np.where(label == 1)[0]
if len(pos_index) > n_pos:
disable_index = np.random.choice(
pos_index, size=(len(pos_index) - n_pos), replace=False)
label[disable_index] = -1
# 平衡正負樣本,保持總數量爲256
n_neg = self.n_sample - np.sum(label == 1)
neg_index = np.where(label == 0)[0]
if len(neg_index) > n_neg:
disable_index = np.random.choice(
neg_index, size=(len(neg_index) - n_neg), replace=False)
label[disable_index] = -1
return argmax_ious, label
def _calc_ious(self, anchor, bbox):
# 計算所有
ious = bbox_iou(anchor, bbox)
# 行是先驗框,列是真實框
argmax_ious = ious.argmax(axis=1)
# 找出每一個先驗框對應真實框最大的iou
max_ious = ious[np.arange(len(anchor)), argmax_ious]
# 行是先驗框,列是真實框
gt_argmax_ious = ious.argmax(axis=0)
# 找到每一個真實框對應的先驗框最大的iou
gt_max_ious = ious[gt_argmax_ious, np.arange(ious.shape[1])]
# 每一個真實框對應的最大的先驗框的序號
gt_argmax_ious = np.where(ious == gt_max_ious)[0]
return argmax_ious, max_ious, gt_argmax_ious
def bbox2loc(src_bbox, dst_bbox):
width = src_bbox[:, 2] - src_bbox[:, 0]
height = src_bbox[:, 3] - src_bbox[:, 1]
ctr_x = src_bbox[:, 0] + 0.5 * width
ctr_y = src_bbox[:, 1] + 0.5 * height
base_width = dst_bbox[:, 2] - dst_bbox[:, 0]
base_height = dst_bbox[:, 3] - dst_bbox[:, 1]
base_ctr_x = dst_bbox[:, 0] + 0.5 * base_width
base_ctr_y = dst_bbox[:, 1] + 0.5 * base_height
eps = np.finfo(height.dtype).eps
width = np.maximum(width, eps)
height = np.maximum(height, eps)
dx = (base_ctr_x - ctr_x) / width
dy = (base_ctr_y - ctr_y) / height
dw = np.log(base_width / width)
dh = np.log(base_height / height)
loc = np.vstack((dx, dy, dw, dh)).transpose()
return loc
focal會忽略一些重合度相對較高但是不是非常高的先驗框,一般將重合度在0.3-0.7之間的先驗框進行忽略。
2、Roi網絡的訓練
通過上一步已經可以對建議框網絡進行訓練了,建議框網絡會提供一些位置的建議,在ROI網絡部分,其會將建議框根據進行一定的截取,並獲得對應的預測結果,事實上就是將上一步建議框當作了ROI網絡的先驗框。
因此,我們需要計算所有建議框和真實框的重合程度,並進行篩選,如果某個真實框和建議框的重合程度大於0.5則認爲該建議框爲正樣本,如果重合程度小於0.5則認爲該建議框爲負樣本
因此我們可以對真實框進行編碼,這個編碼是相對於建議框的,也就是,當我們存在這些建議框的時候,我們的ROI預測網絡需要有什麼樣的預測結果才能將這些建議框調整成真實框。
每次訓練我們都放入128個建議框進行訓練,同時要注意正負樣本的平衡。
實現代碼如下:
# 編碼
class ProposalTargetCreator(object):
def __init__(self,n_sample=128,
pos_ratio=0.5, pos_iou_thresh=0.5,
neg_iou_thresh_hi=0.5, neg_iou_thresh_lo=0.0
):
self.n_sample = n_sample
self.pos_ratio = pos_ratio
self.pos_iou_thresh = pos_iou_thresh
self.neg_iou_thresh_hi = neg_iou_thresh_hi
self.neg_iou_thresh_lo = neg_iou_thresh_lo # NOTE:default 0.1 in py-faster-rcnn
def __call__(self, roi, bbox, label,
loc_normalize_mean=(0., 0., 0., 0.),
loc_normalize_std=(0.1, 0.1, 0.2, 0.2)):
n_bbox, _ = bbox.shape
# 計算正樣本
roi = np.concatenate((roi, bbox), axis=0)
pos_roi_per_image = np.round(self.n_sample * self.pos_ratio)
iou = bbox_iou(roi, bbox)
gt_assignment = iou.argmax(axis=1)
max_iou = iou.max(axis=1)
# 真實框的標籤要+1因爲有背景的存在
gt_roi_label = label[gt_assignment] + 1
# 找到大於門限的真實框的索引
pos_index = np.where(max_iou >= self.pos_iou_thresh)[0]
pos_roi_per_this_image = int(min(pos_roi_per_image, pos_index.size))
if pos_index.size > 0:
pos_index = np.random.choice(
pos_index, size=pos_roi_per_this_image, replace=False)
# 正負樣本的平衡,滿足建議框和真實框重合程度小於neg_iou_thresh_hi大於neg_iou_thresh_lo作爲負樣本
neg_index = np.where((max_iou < self.neg_iou_thresh_hi) &
(max_iou >= self.neg_iou_thresh_lo))[0]
if neg_index.size > 0:
try:
neg_index = np.random.choice(
neg_index, size=self.n_sample - pos_roi_per_this_image, replace=False)
except:
neg_index = np.random.choice(
neg_index, size=self.n_sample - pos_roi_per_this_image, replace=True)
# 取出這些框對應的標籤
keep_index = np.append(pos_index, neg_index)
gt_roi_label = gt_roi_label[keep_index]
gt_roi_label[pos_roi_per_this_image:] = 0
sample_roi = roi[keep_index]
# 找到
gt_roi_loc = bbox2loc(sample_roi, bbox[gt_assignment[keep_index]])
gt_roi_loc = ((gt_roi_loc - np.array(loc_normalize_mean, np.float32)
) / np.array(loc_normalize_std, np.float32))
return sample_roi, gt_roi_loc, gt_roi_label
def bbox2loc(src_bbox, dst_bbox):
width = src_bbox[:, 2] - src_bbox[:, 0]
height = src_bbox[:, 3] - src_bbox[:, 1]
ctr_x = src_bbox[:, 0] + 0.5 * width
ctr_y = src_bbox[:, 1] + 0.5 * height
base_width = dst_bbox[:, 2] - dst_bbox[:, 0]
base_height = dst_bbox[:, 3] - dst_bbox[:, 1]
base_ctr_x = dst_bbox[:, 0] + 0.5 * base_width
base_ctr_y = dst_bbox[:, 1] + 0.5 * base_height
eps = np.finfo(height.dtype).eps
width = np.maximum(width, eps)
height = np.maximum(height, eps)
dx = (base_ctr_x - ctr_x) / width
dy = (base_ctr_y - ctr_y) / height
dw = np.log(base_width / width)
dh = np.log(base_height / height)
loc = np.vstack((dx, dy, dw, dh)).transpose()
return loc
訓練自己的Faster-RCNN模型
Faster-RCNN整體的文件夾構架如下:
本文使用VOC格式進行訓練。
訓練前將標籤文件放在VOCdevkit文件夾下的VOC2007文件夾下的Annotation中。
訓練前將圖片文件放在VOCdevkit文件夾下的VOC2007文件夾下的JPEGImages中。
在訓練前利用voc2faster-rcnn.py文件生成對應的txt。
再運行根目錄下的voc_annotation.py,運行前需要將classes改成你自己的classes。
classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
就會生成對應的2007_train.txt,每一行對應其圖片位置及其真實框的位置。
在訓練前需要修改model_data裏面的voc_classes.txt文件,需要將classes改成你自己的classes。
也需要將train.py文件下的NUM_CLASSES修改成需要分的類的個數。
運行train.py即可開始訓練。