YOLO V2 代码分析

先介绍YOLO[转]：

第一个颠覆ross的RCNN系列，提出region-free，把检测任务直接转换为回归来做，第一次做到精度可以，且实时性很好。
1. 直接将原图划分为SxS个grid cell，如果有物体的中心落到这个格子里那么这个格子的gt就是这个物体。
2. 每个格子被指定的gt需要对应B个bounding box(下面简称为bbox)去回归，也就是说每个格子对应的B个bbox的gt是一样的。
3. 每个bbox预测5个值: x, y, w, h, 置信度。(x, y)是bbox的中心在对应格子里的相对位置，范围[0,1]。(w, h)是bbox相对于全图的的长宽，范围[0,1]。x, y, w, h的4个gt值可以算出来。confidence = P(object)* iou, 它的gt值是这样指定的: 若bbox对应格子包含物体，则P(object) = 1，否则P(object) = 0。它和ssd及rcnn系列在这里有个很不同的地方，它是直接回归bbox的位置，而ssd及rcnn系列是回归的是default box/anchor的偏移量，它没有default box/anchor这个东西。
4. 每个格子也会预测属于各个类别的置信度，也就是每个格子对应的B个box是共享这个值的，这B个box只能属于一类的，所以和第一步呼应它们的gt都是一样的。
5. inference阶段，class-specific confidence score既包含了bounding box最终属于哪个类别的概率，又包含了bounding box位置的准确度。最后设置一个阈值与class-specific confidence score对比，过滤掉score低于阈值的boxes，然后对score高于阈值的boxes进行非极大值抑制(NMS, non-maximum suppression)后得到最终的检测框体。

YOLO使用均方和误差作为loss函数来优化模型参数，即网络输出的S*S*(B*5 + C)维向量与真实图像的对应S*S*(B*5 + C)维向量的均方和误差。如下式所示。其中，coordError、iouError和classError分别代表预测数据与标定数据之间的坐标误差、IOU误差和分类误差。
每个格子的 loss=coordError + iouError + classError
YOLO对上式loss的计算进行了如下修正。

位置相关误差（坐标、IOU）与分类误差对网络loss的贡献值是不同的，因此YOLO在计算loss时，使用λcoord =5修正coordError。
在计算IOU误差时，包含物体的格子与不包含物体的格子，二者的IOU误差对网络loss的贡献值是不同的。若采用相同的权值，那么不包含物体的格子的confidence值近似为0，变相放大了包含物体的格子的confidence误差在计算网络参数梯度时的影响。为解决这个问题，YOLO 使用λnoobj =0.5修正iouError。（注此处的‘包含’是指存在一个物体，它的中心坐标落入到格子内）。
对于相等的误差值，大物体误差对检测的影响应小于小物体误差对检测的影响。这是因为，相同的位置偏差占大物体的比例远小于同等偏差占小物体的比例。YOLO将物体大小的信息项（w和h）进行求平方根来改进这个问题。（注：这个方法并不能完全解决这个问题）。

YOLO的loss

进一步理解YOLO

在YOLO网络中，首先通过一组CNN提取feature maps
然后通过最后一个全连接FC层生成SxSx(5*B+C)=7x7x(5*2+20)=1470长的向量
再把1470向量reshape成SxSx(5*B+C)=7x7x30形状的多维矩阵
通过解析多维矩阵获得Detection bounding box + Confidence
最后对Detection bounding box + Confidence进行Non maximum suppression获得输出

在设置好网络，并进行初始化后，通过forward就可以获得我们需要的SxSx(5*B+C)矩阵，只不过其中数值并不是我们想要的。当经过上述YOLO Loss下的负反馈训练后，显然就可以获得我们SxSx(5*B+C)矩阵，再经过解析+NMS就可以获得输出框了。

从本质上说，Faster RCNN通过对Anchors的判别和修正获得检测框；而YOLO通过强行回归获得检测框。

3.3 passthrough操作

修改后的网络最终在13 * 13的特征图上进行预测，虽然这足以胜任大尺度物体的检测，如果用上细粒度特征可能对小尺度的物体检测有帮助。Faser R-CNN和SSD都在不同层次的特征图上产生proposal以获得多尺度的适应性。

YOLOv2使用了一种不同的方法，简单添加一个 passthrough layer，把浅层特征图（分辨率为26 * 26）连接到深层特征图。passthrough layer把高低分辨率的特征图concat，叠加相邻特征到不同通道

这个方法把26 * 26 * 512的特征图叠加成13 * 13 * 2048的特征图，与原生的深层特征图相连接（即：加深channel的conv1与conv3 concat后作为conv4的输入）。

YOLOv2的检测器使用的就是经过扩展后的的特征图，它可以使用细粒度（浅层）特征，使得模型的性能获得了1%的提升。

regorg layer分析：这里ReorgLayer层就是将26∗26∗512的张量中26∗26切割成4个13∗13，然后连接起来，使得原来的512通道变成了2048。

 #darknet.py

         self.reorg = ReorgLayer(stride=2)   # stride*stride times the channels of conv1s

 #reorg_layer.py

     def forward(self, x):

         stride = self.stride

         bsize, c, h, w = x.size()

         out_w, out_h, out_c = int(w / stride), int(h / stride), c * (stride * stride)

         out = torch.FloatTensor(bsize, out_c, out_h, out_w)

         if x.is_cuda:

             out = out.cuda()

             reorg_layer.reorg_cuda(x, out_w, out_h, out_c, bsize, stride, 0, out)

         else:

             reorg_layer.reorg_cpu(x, out_w, out_h, out_c, bsize, stride, 0, out)

         return out

 //reorg_cpu.c

 int reorg_cpu(THFloatTensor *x_tensor, int w, int h, int c, int batch, int stride, int forward, THFloatTensor *out_tensor)

 {

     // Grab the tensor

     float * x = THFloatTensor_data(x_tensor);

     float * out = THFloatTensor_data(out_tensor);

     // https://github.com/pjreddie/darknet/blob/master/src/blas.c

     int b,i,j,k;

     int out_c = c/(stride*stride);

     for(b = ; b < batch; ++b){

         //batch_size

         for(k = ; k < c; ++k){

            //channel

             for(j = ; j < h; ++j){

                 //height

                 for(i = ; i < w; ++i){

                     //width

                     int in_index  = i + w*(j + h*(k + c*b));

                     int c2 = k % out_c;

                     int offset = k / out_c;

                     int w2 = i*stride + offset % stride;

                     int h2 = j*stride + offset / stride;

                     int out_index = w2 + w*stride*(h2 + h*stride*(c2 + out_c*b));

                     if(forward) out[out_index] = x[in_index]; // 压缩channel

                     else out[in_index] = x[out_index];        // 扩展channel

                 }

             }

         }

     }

     return ;

 }

图片有错误，待改，输入的1,3点分布在输出的第1个feature map上，输入的2,4点分布在输出的第2个feature map上，idx2后面+w2

下图从右到左为forward计算方向，从左到右为backward求导方向

3.4 目标函数计算

 #darknet.py

     def loss(self):

         #可以看出，损失值也是基于预测框bbox，预测的iou，分类三个不同的误差和

         return self.bbox_loss + self.iou_loss + self.cls_loss

     def forward(self, im_data, gt_boxes=None, gt_classes=None, dontcare=None):

         conv1s = self.conv1s(im_data)

         conv2 = self.conv2(conv1s)

         conv3 = self.conv3(conv2)

         conv1s_reorg = self.reorg(conv1s)

         cat_1_3 = torch.cat([conv1s_reorg, conv3], 1)

         conv4 = self.conv4(cat_1_3)

         conv5 = self.conv5(conv4)   # batch_size, out_channels, h, w

         ……

         ……

         # tx, ty, tw, th, to -> sig(tx), sig(ty), exp(tw), exp(th), sig(to)

         '''预测tx ty'''

         xy_pred = F.sigmoid(conv5_reshaped[:, :, :, 0:2])

         '''预测tw th '''

         wh_pred = torch.exp(conv5_reshaped[:, :, :, 2:4])

         bbox_pred = torch.cat([xy_pred, wh_pred], 3)

         '''预测置信度to '''

         iou_pred = F.sigmoid(conv5_reshaped[:, :, :, 4:5])

         '''预测分类class  '''

         score_pred = conv5_reshaped[:, :, :, 5:].contiguous()

         prob_pred = F.softmax(score_pred.view(-1, score_pred.size()[-1])).view_as(score_pred)

         # for training

         if self.training:

             bbox_pred_np = bbox_pred.data.cpu().numpy()

             iou_pred_np = iou_pred.data.cpu().numpy()

             _boxes, _ious, _classes, _box_mask, _iou_mask, _class_mask = self._build_target(

                                          bbox_pred_np, gt_boxes, gt_classes, dontcare, iou_pred_np)

             _boxes = net_utils.np_to_variable(_boxes)

             _ious = net_utils.np_to_variable(_ious)

             _classes = net_utils.np_to_variable(_classes)

             box_mask = net_utils.np_to_variable(_box_mask, dtype=torch.FloatTensor)

             iou_mask = net_utils.np_to_variable(_iou_mask, dtype=torch.FloatTensor)

             class_mask = net_utils.np_to_variable(_class_mask, dtype=torch.FloatTensor)

             num_boxes = sum((len(boxes) for boxes in gt_boxes))

             # _boxes[:, :, :, 2:4] = torch.log(_boxes[:, :, :, 2:4])

             box_mask = box_mask.expand_as(_boxes)

             #计算预测的平均bbox损失值

             self.bbox_loss = nn.MSELoss(size_average=False)(bbox_pred * box_mask, _boxes * box_mask) / num_boxes

            #计算预测的平均iou损失值

             self.iou_loss = nn.MSELoss(size_average=False)(iou_pred * iou_mask, _ious * iou_mask) / num_boxes

            #计算预测的平均分类损失值

             class_mask = class_mask.expand_as(prob_pred)

             self.cls_loss = nn.MSELoss(size_average=False)(prob_pred * class_mask, _classes * class_mask) / num_boxes

         return bbox_pred, iou_pred, prob_pred

参考自：仙守

YOLO部分：

白裳

爆米花好美啊