由於YOLO V5的作者現在並沒有發表論文，因此只能從代碼的角度理解它的工作。YOLO V5的網絡結構圖如下：
1、與YOLO V4的區別
Yolov4在Yolov3的基礎上進行了很多的創新。比如輸入端採用mosaic數據增強，Backbone上採用了CSPDarknet53、Mish激活函數、Dropblock等方式，Neck中採用了SPP、FPN+PAN的結構，輸出端則採用CIOU_Loss、DIOU_nms操作。因此Yolov4對Yolov3的各個部分都進行了很多的整合創新。這裏給出YOLO V4的網絡結構圖：
Yolov5的結構其實和Yolov4的結構還是有一定的相似之處的，但也有一些不同，這裏還是按照從整體到細節的方式，對每個板塊進行講解。這裏給出YOLO V4的網絡結構圖：
通過Yolov5的網絡結構圖可以看到，依舊是把模型分爲4個部分，分別是：輸入端、Backbone、Neck、Prediction。
1.1、輸入端的區別
1 Mosaic數據增強
Mosaic是參考CutMix數據增強的方式，但CutMix只使用了兩張圖片進行拼接，而Mosaic數據增強則採用了4張圖片，隨機縮放、隨機裁剪、隨機排布的方式進行拼接。
主要有幾個優點：
-
1、豐富數據集：隨機使用4張圖片，隨機縮放，再隨機分佈進行拼接，大大豐富了檢測數據集，特別是隨機縮放增加了很多小目標，讓網絡的魯棒性更好。
-
2、減少GPU：可能會有人說，隨機縮放，普通的數據增強也可以做，但作者考慮到很多人可能只有一個GPU，因此Mosaic增強訓練時，可以直接計算4張圖片的數據，使得Mini-batch大小並不需要很大，一個GPU就可以達到比較好的效果。
2 自適應錨框計算
在Yolov3、Yolov4中，訓練不同的數據集時，計算初始錨框的值是通過單獨的程序運行的。但Yolov5中將此功能嵌入到代碼中，每次訓練時，自適應的計算不同訓練集中的最佳錨框值。
比如Yolov5在Coco數據集上初始設定的錨框：
3 自適應圖片縮放
在常用的目標檢測算法中，不同的圖片長寬都不相同，因此常用的方式是將原始圖片統一縮放到一個標準尺寸，再送入檢測網絡中。比如Yolo算法中常用416×416，608×608等尺寸，比如對下面800×600的圖像進行變換。
但Yolov5代碼中對此進行了改進，也是Yolov5推理速度能夠很快的一個不錯的trick。作者認爲，在項目實際使用時，很多圖片的長寬比不同。因此縮放填充後，兩端的黑邊大小都不同，而如果填充的比較多，則存在信息冗餘，影響推理速度。
具體操作的步驟：
1 計算縮放比例
原始縮放尺寸是416×416，都除以原始圖像的尺寸後，可以得到0.52，和0.69兩個縮放係數，選擇小的縮放係數0.52。
2 計算縮放後的尺寸
原始圖片的長寬都乘以最小的縮放係數0.52，寬變成了416，而高變成了312。
3 計算黑邊填充數值
將416-312=104，得到原本需要填充的高度。再採用numpy中np.mod取餘數的方式，得到40個像素，再除以2，即得到圖片高度兩端需要填充的數值。
1.2、Backbone的區別
1 Focus結構
Focus結構，在Yolov3&Yolov4中並沒有這個結構，其中比較關鍵是切片操作。比如右圖的切片示意圖，4×4×3的圖像切片後變成3×3×12的特徵圖。以Yolov5s的結構爲例，原始608×608×3的圖像輸入Focus結構，採用切片操作，先變成304×304×12的特徵圖，再經過一次32個卷積核的卷積操作，最終變成304×304×32的特徵圖。
需要注意的是：Yolov5s的Focus結構最後使用了32個卷積核，而其他三種結構，使用的數量有所增加，先注意下，後面會講解到四種結構的不同點。
class Focus(nn.Module):
# Focus wh information into c-space
def __init__(self, c1, c2, k=1):
super(Focus, self).__init__()
self.conv = Conv(c1 * 4, c2, k, 1)
def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2)
return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))
2 CSP結構
Yolov5與Yolov4不同點在於，Yolov4中只有主幹網絡使用了CSP結構，而Yolov5中設計了兩種CSP結構，以Yolov5s網絡爲例，以CSP1_X結構應用於Backbone主幹網絡，另一種CSP2_X結構則應用於Neck中。
class Conv(nn.Module):
# Standard convolution
def __init__(self, c1, c2, k=1, s=1, g=1, act=True): # ch_in, ch_out, kernel, stride, groups
super(Conv, self).__init__()
self.conv = nn.Conv2d(c1, c2, k, s, k // 2, groups=g, bias=False)
self.bn = nn.BatchNorm2d(c2)
self.act = nn.LeakyReLU(0.1, inplace=True) if act else nn.Identity()
def forward(self, x):
return self.act(self.bn(self.conv(x)))
def fuseforward(self, x):
return self.act(self.conv(x))
class Bottleneck(nn.Module):
# Standard bottleneck
def __init__(self, c1, c2, shortcut=True, g=1, e=0.5): # ch_in, ch_out, shortcut, groups, expansion
super(Bottleneck, self).__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c_, c2, 3, 1, g=g)
self.add = shortcut and c1 == c2
def forward(self, x):
return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))
class BottleneckCSP(nn.Module):
# CSP Bottleneck https://github.com/WongKinYiu/CrossStagePartialNetworks
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion
super(BottleneckCSP, self).__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = nn.Conv2d(c1, c_, 1, 1, bias=False)
self.cv3 = nn.Conv2d(c_, c_, 1, 1, bias=False)
self.cv4 = Conv(c2, c2, 1, 1)
self.bn = nn.BatchNorm2d(2 * c_) # applied to cat(cv2, cv3)
self.act = nn.LeakyReLU(0.1, inplace=True)
self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])
def forward(self, x):
y1 = self.cv3(self.m(self.cv1(x)))
y2 = self.cv2(x)
return self.cv4(self.act(self.bn(torch.cat((y1, y2), dim=1))))
1.3、Neck的區別
Yolov5現在的Neck和Yolov4中一樣，都採用FPN+PAN的結構，但在Yolov5剛出來時，只使用了FPN結構，後面才增加了PAN結構，此外網絡中其他部分也進行了調整。
Yolov5和Yolov4的不同點在於，Yolov4的Neck中，採用的都是普通的卷積操作。而Yolov5的Neck結構中，採用借鑑CSPNet設計的CSP2結構，加強網絡特徵融合的能力。
1.4、輸出端的區別
1 Bounding box損失函數
而Yolov4中採用CIOU_Loss作爲目標Bounding box的損失。而Yolov5中採用其中的GIOU_Loss做Bounding box的損失函數。
def compute_loss(p, targets, model): # predictions, targets, model
ft = torch.cuda.FloatTensor if p[0].is_cuda else torch.Tensor
lcls, lbox, lobj = ft([0]), ft([0]), ft([0])
tcls, tbox, indices, anchors = build_targets(p, targets, model) # targets
h = model.hyp # hyperparameters
red = 'mean' # Loss reduction (sum or mean)
# Define criteria
BCEcls = nn.BCEWithLogitsLoss(pos_weight=ft([h['cls_pw']]), reduction=red)
BCEobj = nn.BCEWithLogitsLoss(pos_weight=ft([h['obj_pw']]), reduction=red)
# class label smoothing https://arxiv.org/pdf/1902.04103.pdf eqn 3
cp, cn = smooth_BCE(eps=0.0)
# focal loss
g = h['fl_gamma'] # focal loss gamma
if g > 0:
BCEcls, BCEobj = FocalLoss(BCEcls, g), FocalLoss(BCEobj, g)
# per output
nt = 0 # targets
for i, pi in enumerate(p): # layer index, layer predictions
b, a, gj, gi = indices[i] # image, anchor, gridy, gridx
tobj = torch.zeros_like(pi[..., 0]) # target obj
nb = b.shape[0] # number of targets
if nb:
nt += nb # cumulative targets
ps = pi[b, a, gj, gi] # prediction subset corresponding to targets
# GIoU
pxy = ps[:, :2].sigmoid() * 2. - 0.5
pwh = (ps[:, 2:4].sigmoid() * 2) ** 2 * anchors[i]
pbox = torch.cat((pxy, pwh), 1) # predicted box
giou = bbox_iou(pbox.t(), tbox[i], x1y1x2y2=False, GIoU=True) # giou(prediction, target)
lbox += (1.0 - giou).sum() if red == 'sum' else (1.0 - giou).mean() # giou loss
# Obj
tobj[b, a, gj, gi] = (1.0 - model.gr) + model.gr * giou.detach().clamp(0).type(tobj.dtype) # giou ratio
# Class
if model.nc > 1: # cls loss (only if multiple classes)
t = torch.full_like(ps[:, 5:], cn) # targets
t[range(nb), tcls[i]] = cp
lcls += BCEcls(ps[:, 5:], t) # BCE
# Append targets to text file
# with open('targets.txt', 'a') as file:
# [file.write('%11.5g ' * 4 % tuple(x) + '\n') for x in torch.cat((txy[i], twh[i]), 1)]
lobj += BCEobj(pi[..., 4], tobj) # obj loss
lbox *= h['giou']
lobj *= h['obj']
lcls *= h['cls']
bs = tobj.shape[0] # batch size
if red == 'sum':
g = 3.0 # loss gain
lobj *= g / bs
if nt:
lcls *= g / nt / model.nc
lbox *= g / nt
loss = lbox + lobj + lcls
return loss * bs, torch.cat((lbox, lobj, lcls, loss)).detach()
2 NMS非極大值抑制
Yolov4在DIOU_Loss的基礎上採用DIOU_NMS的方式，而Yolov5中採用加權NMS的方式。可以看出，採用DIOU_NMS，下方中間箭頭的黃色部分，原本被遮擋的摩托車也可以檢出。
在同樣的參數情況下，將NMS中IOU修改成DIOU_NMS。對於一些遮擋重疊的目標，確實會有一些改進。
2、YOLOv5社交距離項目
yolov5檢測要檢測的視頻流中的所有人，然後再計算所有檢測到的人之間的相互“距離”，和現實生活中用“m”這樣的單位衡量距離不一樣的是，在計算機中，簡單的方法是用檢測到的兩個人的質心，也就是檢測到的目標框的中心之間相隔的像素值作爲計算機中的“距離”來衡量視頻中的人之間的距離是否超過安全距離。
構建步驟：
-
使用目標檢測算法檢測視頻流中的所有人，得到位置信息和質心位置；
-
計算所有檢測到的人質心之間的相互距離；
-
設置安全距離，計算每個人之間的距離對，檢測兩個人之間的距離是否小於N個像素，小於則處於安全距離，反之則不處於。
項目架構：
detect.py代碼註釋如下：
import argparse
from utils.datasets import *
from utils.utils import *
def detect(save_img=False):
out, source, weights, view_img, save_txt, imgsz = \
opt.output, opt.source, opt.weights, opt.view_img, opt.save_txt, opt.img_size
webcam = source == '0' or source.startswith('rtsp') or source.startswith('http') or source.endswith('.txt')
# Initialize
device = torch_utils.select_device(opt.device)
if os.path.exists(out):
shutil.rmtree(out) # delete output folder
os.makedirs(out) # make new output folder
half = device.type != 'cpu' # half precision only supported on CUDA
# 下載模型
google_utils.attempt_download(weights)
# 加載權重
model = torch.load(weights, map_location=device)['model'].float()
# torch.save(torch.load(weights, map_location=device), weights) # update model if SourceChangeWarning
# model.fuse()
# 設置模型爲推理模式
model.to(device).eval()
if half:
model.half() # to FP16
# Second-stage classifier
classify = False
if classify:
modelc = torch_utils.load_classifier(name='resnet101', n=2) # initialize
modelc.load_state_dict(torch.load('weights/resnet101.pt', map_location=device)['model']) # load weights
modelc.to(device).eval()
# 設置 Dataloader
vid_path, vid_writer = None, None
if webcam:
view_img = True
torch.backends.cudnn.benchmark = True # set True to speed up constant image size inference
dataset = LoadStreams(source, img_size=imgsz)
else:
save_img = True
dataset = LoadImages(source, img_size=imgsz)
# 獲取檢測類別的標籤名稱
names = model.names if hasattr(model, 'names') else model.modules.names
# 定義顏色
colors = [[random.randint(0, 255) for _ in range(3)] for _ in range(len(names))]
# 開始推理
t0 = time.time()
# 初始化一張全爲0的圖片
img = torch.zeros((1, 3, imgsz, imgsz), device=device)
_ = model(img.half() if half else img) if device.type != 'cpu' else None
for path, img, im0s, vid_cap in dataset:
img = torch.from_numpy(img).to(device)
img = img.half() if half else img.float() # uint8 to fp16/32
img /= 255.0 # 0 - 255 to 0.0 - 1.0
if img.ndimension() == 3:
img = img.unsqueeze(0)
# 預測結果
t1 = torch_utils.time_synchronized()
pred = model(img, augment=opt.augment)[0]
# 使用NMS
pred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, fast=True, classes=opt.classes, agnostic=opt.agnostic_nms)
t2 = torch_utils.time_synchronized()
# 進行分類
if classify:
pred = apply_classifier(pred, modelc, img, im0s)
people_coords = []
# 處理預測得到的檢測目標
for i, det in enumerate(pred):
if webcam:
p, s, im0 = path[i], '%g: ' % i, im0s[i].copy()
else:
p, s, im0 = path, '', im0s
save_path = str(Path(out) / Path(p).name)
s += '%gx%g ' % img.shape[2:] # print string
gn = torch.tensor(im0.shape)[[1, 0, 1, 0]] # normalization gain whwh
if det is not None and len(det):
# 把boxes resize到im0的size
det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
# 打印結果
for c in det[:, -1].unique():
n = (det[:, -1] == c).sum() # detections per class
s += '%g %ss, ' % (n, names[int(c)]) # add to string
# 書寫結果
for *xyxy, conf, cls in det:
if save_txt:
# xyxy2xywh ==> 把預測得到的座標結果[x1, y1, x2, y2]轉換爲[x, y, w, h]其中 xy1=top-left, xy2=bottom-right
xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist() # normalized xywh
with open(save_path[:save_path.rfind('.')] + '.txt', 'a') as file:
file.write(('%g ' * 5 + '\n') % (cls, *xywh)) # label format
if save_img or view_img: # Add bbox to image
label = '%s %.2f' % (names[int(cls)], conf)
if label is not None:
if (label.split())[0] == 'person':
# print(xyxy)
people_coords.append(xyxy)
# plot_one_box(xyxy, im0, line_thickness=3)
plot_dots_on_people(xyxy, im0)
# 通過people_coords繪製people之間的連接線
# 這裏主要分爲"Low Risk "和"High Risk"
distancing(people_coords, im0, dist_thres_lim=(200, 250))
# Print time (inference + NMS)
print('%sDone. (%.3fs)' % (s, t2 - t1))
# Stream results
if view_img:
cv2.imshow(p, im0)
if cv2.waitKey(1) == ord('q'): # q to quit
raise StopIteration
# Save results (image with detections)
if save_img:
if dataset.mode == 'images':
cv2.imwrite(save_path, im0)
else:
if vid_path != save_path: # new video
vid_path = save_path
if isinstance(vid_writer, cv2.VideoWriter):
vid_writer.release() # release previous video writer
fps = vid_cap.get(cv2.CAP_PROP_FPS)
w = int(vid_cap.get(cv2.CAP_PROP_FRAME_WIDTH))
h = int(vid_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
vid_writer = cv2.VideoWriter(save_path, cv2.VideoWriter_fourcc(*opt.fourcc), fps, (w, h))
vid_writer.write(im0)
if save_txt or save_img:
print('Results saved to %s' % os.getcwd() + os.sep + out)
if platform == 'darwin': # MacOS
os.system('open ' + save_path)
print('Done. (%.3fs)' % (time.time() - t0))
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default='./weights/yolov5s.pt', help='model.pt path')
parser.add_argument('--source', type=str, default='./inference/videos/', help='source') # file/folder, 0 for webcam
parser.add_argument('--output', type=str, default='./inference/output', help='output folder') # output folder
parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')
parser.add_argument('--conf-thres', type=float, default=0.4, help='object confidence threshold')
parser.add_argument('--iou-thres', type=float, default=0.5, help='IOU threshold for NMS')
parser.add_argument('--fourcc', type=str, default='mp4v', help='output video codec (verify ffmpeg support)')
parser.add_argument('--device', default='0', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--view-img', action='store_true', help='display results')
parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
parser.add_argument('--classes', nargs='+', type=int, help='filter by class')
parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')
parser.add_argument('--augment', action='store_true', help='augmented inference')
opt = parser.parse_args()
opt.img_size = check_img_size(opt.img_size)
print(opt)
with torch.no_grad():
detect()
參考
[1].https://zhuanlan.zhihu.com/p/172121380
[2].https://blog.csdn.net/weixin_45192980/article/details/108354169
[3].https://github.com/ultralytics/yoloV5
[4].https://github.com/Akbonline/Social-Distancing-using-YOLOv5
本文分享自微信公衆號 - AI算法與圖像處理（AI_study）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。