0.無言
1.理論を追加し直しましょう
2.プロセス：
a。予測ボックスの（x、y、h、w）をアンカー（5）に対応させて、特徴マップ上の予測ボックスの真の予測値（x0、y0、h0、w0）を取得します。yolo_to_bbox関数の実装
b。真の値の予測ボックスと予測値のボックスボックスのiou値を計算します。bbox_np関数が実装されています。ピクセル座標マップに実装されています
c。しきい値カードを使用して、ターゲット領域がないことを確認し、この領域の損失関数計算を準備します。ターゲットレス信頼喪失の構成要素
d。アンカーボックスの真の値とiou値を計算します。archive_intersections関数が実装されています。これは、機能マップに実装されています。
e。dの計算に従って、真の値に対応する最適なアンカーを見つけ、この領域にターゲットが含まれていると考えてから、有用なターゲットの3つの損失成分を計算します.3つの損失は、信頼損失、分類損失です。 、およびボックスボックス。損失。
1.初期処理
# tx, ty, tw, th, to -> sig(tx), sig(ty), exp(tw), exp(th), sig(to)
# xy_pred存储的是中心坐标相对于cell左上角的x坐标和y坐标的偏置，采用sigmod是为了将偏置控制在0和1之间。
xy_pred = F.sigmoid(global_average_pool_reshaped[:, :, :, 0:2])
# wh_pred存储的是预测的width和height，需要用指数函数解码
wh_pred = torch.exp(global_average_pool_reshaped[:, :, :, 2:4])
bbox_pred = torch.cat([xy_pred, wh_pred], 3) #bbox_pred [batchsize w * h num_anchors 4]
# iou_pred存储的是IOU存在置信度，采用sigmod控制在0和1之间 二分类 存在与否
iou_pred = F.sigmoid(global_average_pool_reshaped[:, :, :, 4:5])
# score_pred存储的是分类置信度，采用softmax控制在0和1之间 多分类 属于哪个类别
score_pred = global_average_pool_reshaped[:, :, :, 5:].contiguous()
prob_pred = F.softmax(score_pred.view(-1, score_pred.size()[-1])).view_as(score_pred) # noqa2.アンカーは予測値にどのように対応しますか？次のコードは非常に明確です。この関数は、フィーチャマップ上の各予測ボックスボックスの予測ボックス値を5つのスケール（アンカー）で計算します（予測値bbox_pred_npは、グリッドの左上隅に対して0から1の間の値であるため、一口です。オフセット、アンカーを掛けた後でのみ、現在のグリッドの現在のアンカーの下にある予測値ボックスがターゲットになります。この値を元の画像にマッピングして、ピクセル座標を取得できます）。言い換えれば、この関数の処理後にのみ、特徴マップ上の予測境界を取得できます。対応するステートメントはbbox_np = bbox_np [0]です。
cimport cython
import numpy as np
cimport numpy as np
DTYPE = np.float
ctypedef np.float_t DTYPE_t
cdef extern from "math.h":
double abs(double m)
double log(double x)
def yolo_to_bbox(
np.ndarray[DTYPE_t, ndim=4] bbox_pred,
np.ndarray[DTYPE_t, ndim=2] anchors, int H, int W):
return yolo_to_bbox_c(bbox_pred, anchors, H, W)
cdef yolo_to_bbox_c(
np.ndarray[DTYPE_t, ndim=4] bbox_pred,
np.ndarray[DTYPE_t, ndim=2] anchors, int H, int W):
"""
Parameters
----------
bbox_pred: (bsize, HxW, num_anchors, 4) ndarray of float (sig(tx), sig(ty), exp(tw), exp(th))
anchors: (num_anchors, 2) (pw, ph)
Returns
-------
bbox_out: (HxWxnum_anchors, 4) ndarray of bbox (x1, y1, x2, y2) rescaled to (0, 1)
"""
cdef unsigned int bsize = bbox_pred.shape[0]
cdef unsigned int num_anchors = anchors.shape[0]
cdef np.ndarray[DTYPE_t, ndim=4] bbox_out = np.zeros((bsize, H*W, num_anchors, 4), dtype=DTYPE)
cdef DTYPE_t cx, cy, bw, bh
cdef unsigned int row, col, a, ind
for b in range(bsize): #图像batchsize
for row in range(H): #遍历网格纵向
for col in range(W): #遍历网格横向
ind = row * W + col #网格的唯一编号 例如 13*13的 编号为0~168
for a in range(num_anchors): #遍历anchor数
cx = (bbox_pred[b, ind, a, 0] + col) / W
cy = (bbox_pred[b, ind, a, 1] + row) / H
# 预测边界框中心点相对于对应cell左上角位置的相对偏移值，为了将边界框中心点约束在当前cell中，
# 使用sigmoid函数处理偏移值，这样预测的偏移值在(0,1)范围内（每个cell的尺度看做1）。
bw = bbox_pred[b, ind, a, 2] * anchors[a][0] / W * 0.5 #预测的宽度 * anchors[a][0]
bh = bbox_pred[b, ind, a, 3] * anchors[a][1] / H * 0.5
bbox_out[b, ind, a, 0] = cx - bw
bbox_out[b, ind, a, 1] = cy - bh
bbox_out[b, ind, a, 2] = cx + bw
bbox_out[b, ind, a, 3] = cy + bh
return bbox_out3.コアコード：
コードのダウンロードアドレス：https：//github.com/longcw/yolo2-pytorch。
損失関数のコアコードは次のとおりです。この部分は、最適なアンカーボックス、カテゴリ値、およびボックスボックス情報値とそのマスクに対応する真の値とiou値を計算することです。ターゲットのないグリッドに対応するアンカーは_iou_maskに入力する必要があり、他のアンカーはターゲットがグリッドに存在する場合にのみ入力されます。これは対応する式の例外です...まだマッピングしていません
def _process_batch(data, size_index):
W, H = cfg.multi_scale_out_size[size_index]#特征图尺寸呗 决定于size_index参数
inp_size = cfg.multi_scale_inp_size[size_index] #输入图像尺寸 320 * 320
out_size = cfg.multi_scale_out_size[size_index] #输出图像 也就是特征图的尺寸 10 * 10
#bbox_pred_np:边框预测值（相对值） gt_boxes: 边框标注值 gt_classes: 类别标注值 dontcares: 空 iou_pred_np: IOU预测值
bbox_pred_np, gt_boxes, gt_classes, dontcares, iou_pred_np = data #获得网格的特征图数据 包括
# net output
#bbox_pred_np 的shape 【h*w num_anchors 4】
hw, num_anchors, _ = bbox_pred_np.shape # hw = 13*13 num_anchors = 5
# gt
_classes = np.zeros([hw, num_anchors, cfg.num_classes], dtype=np.float) #_classes尺寸是 【13*13 5 20 1】
_class_mask = np.zeros([hw, num_anchors, 1], dtype=np.float)
_ious = np.zeros([hw, num_anchors, 1], dtype=np.float) #_ious 【13*13 5 1】 iou信息
_iou_mask = np.zeros([hw, num_anchors, 1], dtype=np.float)
_boxes = np.zeros([hw, num_anchors, 4], dtype=np.float) #_boxes 【13*13 5 4】 box框信息
_boxes[:, :, 0:2] = 0.5 #初值设置在网格中心 w h设置为1
_boxes[:, :, 2:4] = 1.0
_box_mask = np.zeros([hw, num_anchors, 1], dtype=np.float) + 0.01
# 1.将预测相对值，转换为预测框，为后面的IOU计算铺垫 来确定哪些是背景哪些目标物体
# scale pred_bbox
anchors = np.ascontiguousarray(cfg.anchors, dtype=np.float)#ascontiguousarray 将内存不连续存储的数组转换为内存连续存储的数组,使得运行速度更快
bbox_pred_np = np.expand_dims(bbox_pred_np, 0) # 升维操作 bbox_pred_np的shape由【h*w num_anchors 4】变为 【1 h*w num_anchors 4】
#具体算法在utils文件夹下的yolo.pyx文件中 输出尺寸为【1 h*w num_anchors 4】 按anchor范围算出bbox_np【cx，cy，x2，y2】 左上角 右下角
# 此函数计算的是每个预测的box框在5个尺度（anchor）下在特征图上的预测框值（拗口哈，因为预测值bbox_pred_np是一个0~1之间的相对于网格左上角的偏移量，
#只有乘上anchor后才是目标在当前网格的当前anchor下的预测值框，这个值是特征图上的坐标，左上角右下角的浮点坐标
bbox_np = yolo_to_bbox(
np.ascontiguousarray(bbox_pred_np, dtype=np.float),
anchors,
H, W)
# bbox_np[0] = (hw, num_anchors, (x1, y1, x2, y2)) range: 0 ~ 1
# bbox_np 的shape由【1 hw，num_anchors，4 】变换为【hw，num_anchors，4】
bbox_np = bbox_np[0]
# 将anchors对应的坐标映射回原图 这回是得到了原图上的像素坐标
bbox_np[:, :, 0::2] *= float(inp_size[0]) # rescale x
bbox_np[:, :, 1::2] *= float(inp_size[1]) # rescale y
# 标注框 是在原图上的像素坐标
gt_boxes_b = np.asarray(gt_boxes, dtype=np.float)
# for each cell, compare predicted_bbox and gt_bbox
bbox_np_b = np.reshape(bbox_np, [-1, 4]) #bbox_np_b的shape为【h*w*num_anchors，4】
# 2.根据预测框和标注框，确定什么是背景，什么目标物体。这一部分是整个损失函数甚至是YOLO的核心，
# 通过这里我们知道他定义了什么，定义了哪些是背景哪些是目标物体，背景的话只计算IOU置信度误差，
# 目标的话计算全部误差
#计算所有anchor对应的预测框与标注框的iou值 这个iou的shape是【h*w*num_anchors，标注框个数GT】--------->在原始图上计算iou
ious = bbox_ious(
np.ascontiguousarray(bbox_np_b, dtype=np.float),
np.ascontiguousarray(gt_boxes_b, dtype=np.float)
)
# 这个类似在标注框上套圈，多个anchor预测框可能套到一个标注框上 是多对一关系 多个预测框对应1个标注框
# best_ious变成形为【h*w num_anchors 1】形式 最后的1维存储的是最大IOU的值，这个值与anchor框一一对应，anchor框总个数为h*w*num_anchors
best_ious = np.max(ious, axis=1).reshape(_iou_mask.shape)
# 这个是我最不理解的地方了 best_ious < cfg.iou_thresh过程完成后得到一个[h*w num_anchors 1]大小的数组，其中的值为false与true
# iou_pred_np[best_ious < cfg.iou_thresh]过程完成后得到一个1 * N大小的数组，
# N为best_ious中阈值小于cfg.iou_thresh的值的个数。存储的值是 0 - iou预测值 正常我的理解 应该存的是1才对，代表的是无目标。
iou_penalty = 0 - iou_pred_np[best_ious < cfg.iou_thresh] #cfg.iou_thresh = 0.6
# 小于iou_thresh的iou_mask被赋值，大于此阈值的anchor框iou_mask的值为0 后面会给大于阈值的标注框存在位置的iou_mask赋值
# 为负样本的_iou_mask赋值 大于阈值赋值为0 小于阈值赋值为iou_penalty值
_iou_mask[best_ious <= cfg.iou_thresh] = cfg.noobject_scale * iou_penalty
# locate the cell of each gt_boxe
cell_w = float(inp_size[0]) / W #一个网格占的像素宽
cell_h = float(inp_size[1]) / H #一个网格占的像素高
cx = (gt_boxes_b[:, 0] + gt_boxes_b[:, 2]) * 0.5 / cell_w #cx cy 是标注框中心在特征图网格中的浮点坐标 值介于 0~特征图宽 之间
cy = (gt_boxes_b[:, 1] + gt_boxes_b[:, 3]) * 0.5 / cell_h
cell_inds = np.floor(cy) * W + np.floor(cx) #标注框编号，cell_inds的维度就是标注框的个数 值是网格编号 存储标注框目标所在网格编号
cell_inds = cell_inds.astype(np.int)
# 标注框在某个网格的中心坐标（相对于网格左上角）以及在特征图上的长 宽
target_boxes = np.empty(gt_boxes_b.shape, dtype=np.float)
target_boxes[:, 0] = cx - np.floor(cx) # cx 标注框在网格中的坐标 相对于某个网格左上角 值介于0~1之间
target_boxes[:, 1] = cy - np.floor(cy) # cy
target_boxes[:, 2] = \
(gt_boxes_b[:, 2] - gt_boxes_b[:, 0]) / inp_size[0] * out_size[0] # tw 标注框在特征图上的宽
target_boxes[:, 3] = \
(gt_boxes_b[:, 3] - gt_boxes_b[:, 1]) / inp_size[1] * out_size[1] # th 标注框在特征图上的高
# for each gt boxes, match the best anchor 为每个标注框匹配最好的anchor预测框
gt_boxes_resize = np.copy(gt_boxes_b)
gt_boxes_resize[:, 0::2] *= (out_size[0] / float(inp_size[0]))#标注框在特征图上的x值和w值
gt_boxes_resize[:, 1::2] *= (out_size[1] / float(inp_size[1]))#标注框在特征图上的y值和h值
# 计算每个cell的anchors框与标注框的iou值 没有预测框的事---- 维度为【numanchors ， 标注框个数GT】 --------->这回是特征图上计算iou
#
anchor_ious = anchor_intersections(
anchors,
np.ascontiguousarray(gt_boxes_resize, dtype=np.float)
)
# 取出最大值对应的索引，尺寸是【1，标注框个数GT】 每个标注框对应一个anchors的下标 ，下标范围0~4
# 例如 10个标注框，anchor_inds的值为【4 3 1 0 2 2 4 3 2 1】
anchor_inds = np.argmax(anchor_ious, axis=0)
ious_reshaped = np.reshape(ious, [hw, num_anchors, len(cell_inds)])
# cell_inds存的是标注值在特征图上的网格编号，根据它能找到标注值在特征图上的坐标（网格坐标），i是标注框的
# 编号，例如一共有3个标注框，cell_inds值可能为 4 7 25 i的值为0 1 2
for i, cell_ind in enumerate(cell_inds):
if cell_ind >= hw or cell_ind < 0:#最大目标检测个数
print('cell inds size {}'.format(len(cell_inds)))
print('cell over {} hw {}'.format(cell_ind, hw))
continue
a = anchor_inds[i]#标注框对应的那个最佳anchor编号
# 0 ~ 1, should be close to 1 iou_pred_np的size【w * h num_anchors 1】
iou_pred_cell_anchor = iou_pred_np[cell_ind, a, :] #取出标注框对应的最佳anchor对应的iou预测值
# 目标存在的网格对应的anchor的_iou_mask赋值 赋值为 1 - iou预测值
_iou_mask[cell_ind, a, :] = cfg.object_scale * (1 - iou_pred_cell_anchor)
# _ious[cell_ind, a, :] = anchor_ious[a, i]
# 某网格预测框与最佳anchor标注框的iou值 例如网格编号为10 此网格存在标注值，此值对应于第3个anchor框。
# 那么_ious存储的就是第cell_ind = 10 a = 3 值为ious中相应位置的值
_ious[cell_ind, a, :] = ious_reshaped[cell_ind, a, i] #最佳anchor对应的标注框和对应位置的预测框二者的IOU值
_box_mask[cell_ind, a, :] = cfg.coord_scale #目标存在的网格对应的最佳anchor的box框的缩放比例值设置为1
target_boxes[i, 2:4] /= anchors[a]
# _boxes的0 1 位置存的是相对这个网格左上角的坐标，值介于0~1之间
# _boxes的0的2 3 位置存的是【标注框在特征图上的宽/最佳anchors宽，标注框在特征图上的高/最佳anchors高】
_boxes[cell_ind, a, :] = target_boxes[i]#是loss函数中的标注框部分
_class_mask[cell_ind, a, :] = cfg.class_scale #设置为1
_classes[cell_ind, a, gt_classes[i]] = 1.#目标存在的网格对应的最佳anchor的类别置信度 直接设置为1 是loss函数中的标注框部分
return _boxes, _ious, _classes, _box_mask, _iou_mask, _class_mask次のステップは、上記で得られた真の値と予測値を使用して、最大二乗誤差を作成することです。このエラーの組み合わせが損失関数です。
# 计算坐标损失 bbox_pred预测值 _boxes 标注值
self.bbox_loss = nn.MSELoss(size_average=False)(bbox_pred * box_mask, _boxes * box_mask) / num_boxes # noqa
# 计算置信度损失 如果存在真值的网格 (iou_pred预测值*(1 - iou_pred预测值) - ((iou_pred预测框与标注框的IOU值) * (1 - iou_pred预测值))
# 如果不存在真值的网格(iou_pred预测值*(0 - iou_pred预测值) - 0 * (0 - iou_pred预测值))
# 不理解的地方 计算均方误差时乘iou_mask与不乘完全不影响结果啊。完全可以把它设置为1啊....还是我理解有误区呢
self.iou_loss = nn.MSELoss(size_average=False)(iou_pred * iou_mask, _ious * iou_mask) / num_boxes # noqa
class_mask = class_mask.expand_as(prob_pred)
#计算类别损失 prob_pred预测值 _classes 标注值
self.cls_loss = nn.MSELoss(size_average=False)(prob_pred * class_mask, _classes * class_mask) / num_boxes # noqaたとえば、IOU損失の理解は、2つの部分で構成されます。iou_predの予測値の2乗としての目標損失値はありません。明らかに、値が小さいほど良いです。（iou_predの予測値の2乗-iou_pred の予測フレームとラベルフレームのIOU値の2乗）と（1-iou_predの予測値の2乗）の目標損失値があります。明らかにこの値また、この値はできるだけ小さくする必要があります。iou_predの予測値は1に近い必要があります（iou_predの予測値の2乗-iou_predの予測フレームとラベル付きフレームのIOU値の2乗 ）は0に近いはずです。その他の損失については説明しません。yolov2のコアの1つは、損失関数の構築です。損失関数は、ネットワークパラメータを最適化するために継続的に逆伝播し、ネットワークパラメータは、損失関数値を減らすために戻ってきて、最終的に最適なモデルを取得します。