PaddleDetection算法分析（2）

2021SC@SDUSC

特色垂类模型有两个模型 一个是车辆检测 一个是行人检测 查看源代码是痛苦的事 因此只看他的关键算法

基于Dacknet53的YOLOv3算法

darknet53一共53层卷积，除去最后一个FC（全连接层，实际上是通过1x1卷积实现的）总共52个卷积用于当做主体网络。

首先分析darknet53的网络结构

这52个卷积层是这样组成的：

首先是1个32个过滤器的卷积核，然后是5组重复的残差单元resblock_body（这5组残差单元，每个单元由1个单独的卷积层与一组重复执行的卷积层构成，重复执行的卷积层分别重复1次、2次、8次、8次、4次；在每个重复执行的卷积层中，先执行1x1的卷积操作，再执行3x3的卷积操作，过滤器数量先减半，再恢复），一共是52层。残差计算不属于卷积层计算。

52 = 1+ （1+1*2 ） + （1+2*2） + （1+8*2） + （1+8*2） + （1+4*2）

每组残差单元的第一个单独的卷积层操作均是一次步长为2的卷积操作，因此整个YOLO v3网络一共降维5次32倍，即：32=2^5，最后输出的特征图维度是13，即：13=416/32；最后1层的通道数是1024，最终的输出结构是(?, 13, 13, 1024)。所以，darknet53模型的输入是(?, 416, 416, 3)，输出是(?, 13, 13, 1024)。

这个52层网络是这么定义的：

def darknet_body(x):
 
    '''Darknent body having 52 Convolution2D layers'''
 
    x = DarknetConv2D_BN_Leaky(32, (3, 3))(x)
 
    x = resblock_body(x, num_filters=64, num_blocks=1)
 
    x = resblock_body(x, num_filters=128, num_blocks=2)
 
    x = resblock_body(x, num_filters=256, num_blocks=8)
 
    x = resblock_body(x, num_filters=512, num_blocks=8)
 
    x = resblock_body(x, num_filters=1024, num_blocks=4)
 
    return x

其中，

（1）第1个卷积层DarknetConv2D_BN_Leaky，是这么定义的：

def DarknetConv2D_BN_Leaky(*args, **kwargs):
 
    """Darknet Convolution2D followed by BatchNormalization and LeakyReLU."""
 
    no_bias_kwargs = {'use_bias': False}
 
    no_bias_kwargs.update(kwargs)
 
    return compose(
 
        DarknetConv2D(*args, **no_bias_kwargs),
 
        BatchNormalization(),
 
        LeakyReLU(alpha=0.1))

即：

（1.1）1个Darknet的2维卷积Conv2D层，即DarknetConv2D；

（1.2）1个批正则化层，将输入数据x进行正则化，即BatchNormalization()；

（1.3）1个LeakyReLU层，斜率是0.1，LeakyReLU是在ReLU基础改进后的激活函数。

LeakyReLU的激活函数，如下图所示：

（2）Darknet的2维卷积DarknetConv2D，是这么定义的：

@wraps(Conv2D)
 

def DarknetConv2D(*args, **kwargs):
 
    """Wrapper to set Darknet parameters for Convolution2D."""
 
    darknet_conv_kwargs = {'kernel_regularizer': l2(5e-4)}
 
    darknet_conv_kwargs['padding'] = 'valid' if kwargs.get('strides') == (2, 2) else 'same'
 
    darknet_conv_kwargs.update(kwargs)
 
    return Conv2D(*args, **darknet_conv_kwargs)

即：

（2.1）将核权重矩阵的正则化，使用L2正则化，参数是5e-4，将核权重参数w进行正则化；

（2.2）Padding，一般使用same模式，只有当步长为(2,2)时，使用valid模式。避免在降采样中，引入无用的边界信息；

（2.3）其余参数不变，都与二维卷积操作Conv2D()一致。

（2.4）所谓2D卷积，就是横向和纵向均卷积，计算方式举例如下：

输入和核如下，没有padding，stride=1

输出为：将卷积核对应在input上，第一行对应算完，再算第二行，可以动手写一下。

    14 = 4 * 1 + 3 * 0 + 1 * 1 + 2 * 2 + 1 * 1 + 0 * 0 + 1 * 0 + 2 * 0 + 4 * 1

    6 = 3 * 1 + 1 * 0 + 0 * 1 + 1 * 2 + 0 * 1 + 1 * 0 + 2 * 0 + 4 * 0 + 1 * 1

    6 = 2 * 1 + 1 * 0 + 0 * 1 + 1 * 2 + 2 * 1 + 4 * 0 + 3 * 0 + 1 * 0 + 0 * 1

    12 = 1 * 1 + 0 * 0 + 1 * 1 + 2 * 2 + 4 * 1 + 1 * 0 + 1 * 0 + 0 * 0 + 2 * 1

这里所使用的Conv2D()函数，是Keras提供的二维卷积函数，在运算时会加载YOLO v3模型的各项参数（权重、偏置等）。比较简单的二维卷积函数，如：tf.nn.conv2d（）函数运算的具体说明，可以参考：

https://blog.csdn.net/weixin_41943311/article/details/94570067

（3）残差网络resblock_body，是这么定义的：

def resblock_body(x, num_filters, num_blocks):
 
    '''A series of resblocks starting with a downsampling Convolution2D'''
 
    # Darknet uses left and top padding instead of 'same' mode
 
    x = ZeroPadding2D(((1, 0), (1, 0)))(x)
 
    x = DarknetConv2D_BN_Leaky(num_filters, (3, 3), strides=(2, 2))(x)
 
    for i in range(num_blocks):
 
        y = compose(
 
            DarknetConv2D_BN_Leaky(num_filters // 2, (1, 1)),
 
            DarknetConv2D_BN_Leaky(num_filters, (3, 3)))(x)
 
        x = Add()([x, y])
 
    return x

即：

（3.1）ZeroPadding2D：填充x的边界为0，由(?, 416, 416, 32)转换为(?, 417, 417, 32)。因为下一步卷积操作的步长为2，所以图的边长需要是奇数；

（3.2）DarknetConv2D_BN_Leaky：DarkNet的2维卷积操作，核是(3,3)，步长是(2,2)，因此会导致特征尺寸变小，由(?, 417, 417, 32)转换为(?, 208, 208, 64)。由于num_filters是64，所以产生64个通道。

（3.3）compose：输出预测图y，功能是组合函数，先执行1x1的卷积操作，再执行3x3的卷积操作，过滤器数量先减半，再恢复，最后与输入相同，都是64；

（3.4）x = Add()([x, y])：残差操作，将x的值与y的值相加。残差操作可以避免，在网络较深时所产生的梯度弥散问题。
 

接下来

darknet53网络的输出

darknet53输出3个不同尺度的检测图，用于检测不同大小的物体。调用3次make_last_layers，产生3个检测图，即y1、y2和y3，如下图所示（图中，y1、y2和y3分别叫Predict one、Predict two和Predict three）：

def yolo_body(inputs, num_anchors, num_classes):
    """Create YOLO_V3 model CNN body in Keras."""
    darknet = Model(inputs, darknet_body(inputs))
    x, y1 = make_last_layers(darknet.output, 512, num_anchors*(num_classes+5))
 
    x = compose(
            DarknetConv2D_BN_Leaky(256, (1,1)),
            UpSampling2D(2))(x)
    x = Concatenate()([x,darknet.layers[152].output])
    x, y2 = make_last_layers(x, 256, num_anchors*(num_classes+5))
 
    x = compose(
            DarknetConv2D_BN_Leaky(128, (1,1)),
            UpSampling2D(2))(x)
    x = Concatenate()([x,darknet.layers[92].output])
    x, y3 = make_last_layers(x, 128, num_anchors*(num_classes+5))
 
    return Model(inputs, [y1,y2,y3])

其中，

（1）y1：输入是darnknet.output，shape是[?,13,13,1024]，作为第1个make_last_layers()的输入，输出x的shape是[?, 13, 13, 512]，输出y1的shape是[?, 13, 13, num_anchors*(num_classes+5) ]。

YOLOv3通过聚类算法得到了3组先验框（即：anchor box，预训练得到的默认边界框），目标检测器通过预测对数空间（log-space）变换来确定边界框。

YOLOv3 的先验框anchor box一共有3组共9个，由k-means聚类得到。在COCO数据集上，这9个先验框按不同尺寸特征图分组如下，每组3个：

13x13特征图对应：【（116*90），（156*198），（373*326）】

26x26特征图对应：【（30*61），（62*45），（59*119）】

52x52特征图对应：【（10*13），（16*30），（33*23）】

特征图越小，感受野越大，对大目标越敏感，选用大的anchor box；特征图越大，感受野越小，对小目标越敏感，选用小的anchor box。
所以，对于每一个特征图（featue map）而言，num_anchors是3，num_classes是检测类别的数量（比如：person、car、sports ball等，在YOLOv3提供的训练好的模型中，num_classes = 80）。

5 = 4+1，4为边界框中心点坐标（x , y）、宽w 和高h ；1为置信度。

（2）y2：输入是（x,y1)输出的x，shape是[?, 13, 13, 512]。先执行一次有256个滤波器（所以，输出是256个通道）的1x1卷积操作DarknetConv2D_BN_Leaky()；然后做一次上采样操作UpSampling2D()，将输入为13x13的结构，转换为26x26的结构。将x与darknet的第152层拼接Concatenate（拼接后张量的shape是[?, 26, 26, 768]），作为第2个make_last_layers()的输入，输出x的shape是[?, 26, 26, 256]，输出y2的shape是[?, 26, 26, num_anchors*(num_classes+5) ]。

（3）y3：输入是（x,y2)输出的x，shape是[?, 26, 26, 256]。先执行一次有128个滤波器（所以，输出是128个通道）的1x1卷积操作DarknetConv2D_BN_Leaky()；然后做一次上采样操作UpSampling2D()，将输入为26x26的结构，转换为52x52的结构。将x与darknet的第92层拼接Concatenate（拼接后张量的shape是[?, 52, 52, 384]），作为第3个make_last_layers()的输入，输出x忽略，输出y3的shape是[?, 52, 52, num_anchors*(num_classes+5) ]。

最后，根据整个逻辑的输入和输出，构建模型Model(inputs,[y1,y2, y3])：输入inputs为(?, 416, 416, 3)，输出为3个尺度的预测层，即[y1, y2, y3]。其中，y2、y3比y1更适用于发现尺寸比较小的物体。

Model是Keras中最主要的数据结构之一，该数据结构定义了一个完整的图。因此，在这篇文章中，所有的描述都是在讲解darknet53这个神经网络的结构和数据流动的路径，而不是在具体执行一个函数或一段程序，这样就比较容易理解这里的每一个DarknetConv2d()函数的输入为什么只有输入张量，而不需要每次匹配对应的卷积核（因为训练好的卷积核会通过load_weights方法加载到Model中，并与每一个卷积计算相匹配）。
 

make_last_layers()的函数如下所示，是一组连续的2D卷积操作，先执行5次DarknetConv2D_BN_Leaky()卷积操作，返回x；然后再执行1次DarknetConv2D_BN_Leaky()卷积操作和1次不含BN和Leaky的1x1的卷积操作DarknetConv2D()（作用类似于全连接操作），返回y。

def make_last_layers(x, num_filters, out_filters):
    '''6 Conv2D_BN_Leaky layers followed by a Conv2D_linear layer'''
    x = compose(
            DarknetConv2D_BN_Leaky(num_filters, (1,1)),
            DarknetConv2D_BN_Leaky(num_filters*2, (3,3)),
            DarknetConv2D_BN_Leaky(num_filters, (1,1)),
            DarknetConv2D_BN_Leaky(num_filters*2, (3,3)),
            DarknetConv2D_BN_Leaky(num_filters, (1,1)))(x)
    y = compose(
            DarknetConv2D_BN_Leaky(num_filters*2, (3,3)),
            DarknetConv2D(out_filters, (1,1)))(x)
    return x, y

作为初学者，这里有一个额外的有意思的问题，按照前图，26x26尺寸的卷积运算的输出应该是darknet53的第43层卷积层，即：

43 = 1+ （1+1*2 ） + （1+2*2） + （1+8*2） + （1+8*2）

为什么在yolo_body()的定义里，却使用下面的语句来定义拼接操作呢？

x = Concatenate()([x,darknet.layers[152].output])

原来，Model(inputs, [y1,y2,y3]) 所定义的卷积神经网络，darknet53只是按照53层卷积运算的主体来命名的，而在实际的Model模型中，残差操作add、批正则化batch_normalization、leaky_re_lu、zero_padding2d、拼接操作concatenate、上采样up_sampling2d等与conv2d一样都是要计入层数（layers）的，并且每一层都有不同的名字和序号。按照这样的定义，每个DarknetConv2D结构的层数是1，每个DarknetConv2D_BN_Leaky结构的层数是3，每个resblock_body结构的层数是4+7*num_blocks（num_blocks为循环次数），则26x26尺寸的卷积运算的输出实际上是darknet53的第152层：

152 = 3+（4+7）+（4+7*2）+（4+7*8）+（4+7*8）

同时，每个make_last_layers结构共有6*3+1=19层，加上1个输入层input，因此整个darknet53一共有252层：

252 = 1+ 3+（4+7）+（4+7*2）+（4+7*8）+（4+7*8）+（4+7*4）+19+5+19+5+19
 

最后

以上就是开心龙猫为你收集整理的PaddleDetection算法分析（2）的全部内容，希望文章能够帮你解决PaddleDetection算法分析（2）所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。