还不懂目标检测嘛？一起来看看Faster R-CNN源码解读

文章目录

• Faster R-CNN源码解读
• 写在前面
• 源码解读

• split_data.py文件
• my_dataset.py
• transform.py✨✨✨
• rpn_function.py✨✨✨
• roi.head.py✨✨✨
• 小结

• 总结

Faster R-CNN源码解读

写在前面

  这部分同样参考霹雳吧啦Wz的视频，Faster R-CNN代码链接如下：Faster R-CNN源码 🍀🍀🍀 先说说这篇文章该怎么用吧？——我觉得最好是这样，你先看看霹雳吧啦Wz对Faster R-CNN代码的解读，自己先理解理解，之后如果有什么不懂的再来这篇文章看能否找到你想要的答案；或者你已经基本弄明白了代码，那么可以将此篇文章当成一个速查手册。其实用视频和文字来表述问题是各有优劣的，看一段视频无疑会让你快速掌握一个知识点，视频中对某些问题的描述可能也会更清晰，让听者很直观感受到自己能力的提高；而读一篇文章则会让读者有更多的时间去思考，去理解，会形成自己的思绪。【注：写着写着发现代码解析有的部分确实难以用文字描述，故阅读此篇文章前务请大家必要先看看视频，这样才更好理解】

  在阅读源码之前，你还需要对Faster R-CNN的原理较为清晰，我之前也做过从R-CNN、Fast R-CNN以及Faster R-CNN的原理讲解，对原理不清楚的请移步参考，链接如下：

• R-CNN🍁🍁🍁
• Fast R-CNN🍁🍁🍁
• Faster R-CNN🍁🍁🍁

 

源码解读

  我们先来看看我们代码的整体结构，如下：

【注：不可能对每行代码讲解的都非常详细，只会重点谈谈一些关键的代码】

 

split_data.py文件

  该文件是用来划分数据集的，即若我们拿到一个数据，将数据集划分成验证集和训练集。下面我们来简要的看看代码：

• 首先，输入数据的存储路径并设置验证集训练集划分比例

files_path = "./VOCdevkit/VOC2012/Annotations"
val_rate = 0.5

• 获取"./VOCdevkit/VOC2012/Annotations"文件夹下所有.xml文件并去xml文件名前面的序号进行排序存储在files_name中

files_name = sorted([file.split(".")[0] for file in os.listdir(files_path)])
files_num = len(files_name)

• 随机选取验证集索引

val_index = random.sample(range(0, files_num), k=int(files_num*val_rate))

• 进行划分并保存

for index, file_name in enumerate(files_name):
    if index in val_index:
        val_files.append(file_name)
    else:
        train_files.append(file_name)

try:
    train_f = open("train.txt", "x")
    eval_f = open("val.txt", "x")
    train_f.write("\n".join(train_files))
    eval_f.write("\n".join(val_files))
except FileExistsError as e:
    print(e)
    exit(1)

  最终会生成train.txt和val.txt文件。

 

 

my_dataset.py

  在上节描述代码时，我想要考虑到一个文件的完整性，想要尽可能全的把一个py文件的内容都描述进来，但我感觉这样做是很难的，也抓不住重点，效果好像并不好。因此后面我只会对我认为一些较难理解或比较重要的点进行描述。

• 初始化，主要获取一些数据集的路径，还是非常好理解的

def __init__(self, voc_root, year="2012", transforms=None, txt_name: str = "train.txt"):
    assert year in ["2007", "2012"], "year must be in ['2007', '2012']"
    self.root = os.path.join(voc_root, "VOCdevkit", f"VOC{year}")
    self.img_root = os.path.join(self.root, "JPEGImages")
    self.annotations_root = os.path.join(self.root, "Annotations")

    # read train.txt or val.txt file
    txt_path = os.path.join(self.root, "ImageSets", "Main", txt_name)
    assert os.path.exists(txt_path), "not found {} file.".format(txt_name)

    with open(txt_path) as read:
        self.xml_list = [os.path.join(self.annotations_root, line.strip() + ".xml")
                         for line in read.readlines() if len(line.strip()) > 0]

    # check file
    assert len(self.xml_list) > 0, "in '{}' file does not find any information.".format(txt_path)
    for xml_path in self.xml_list:
        assert os.path.exists(xml_path), "not found '{}' file.".format(xml_path)

    # read class_indict
    json_file = './pascal_voc_classes.json'
    assert os.path.exists(json_file), "{} file not exist.".format(json_file)
    json_file = open(json_file, 'r')
    self.class_dict = json.load(json_file)
    json_file.close()

    self.transforms = transforms

• 将xml文件变换成字典格式

xml_path = self.xml_list[idx]
        with open(xml_path) as fid:
            xml_str = fid.read()
        xml = etree.fromstring(xml_str)
        data = self.parse_xml_to_dict(xml)["annotation"]
        img_path = os.path.join(self.img_root, data["filename"])
        image = Image.open(img_path)

  我们可以重点关注一下parse_xml_to_dict方法，该方法会递归遍历xml文件，将其转换成一个字典，我们可以设置断点看看data中的数据，如下图所示：

• 目标检测transforms后bbox位置需要改变

class RandomHorizontalFlip(object):
    """随机水平翻转图像以及bboxes"""
    def __init__(self, prob=0.5):
        self.prob = prob

    def __call__(self, image, target):
        if random.random() < self.prob:
            height, width = image.shape[-2:]
            image = image.flip(-1)  # 水平翻转图片
            bbox = target["boxes"]
            # bbox: xmin, ymin, xmax, ymax
            bbox[:, [0, 2]] = width - bbox[:, [2, 0]]  # 翻转对应bbox坐标信息
            target["boxes"] = bbox
        return image, target

  使用的是水平翻转，翻转后的图和原图关系如下，我们可以看到翻转后图像的bbox左上角横坐标应为 图像宽度-$X_{max}$，bbox右下角横坐标为图像宽度-$x_{min}$。bbox的纵坐标没有变化。

 

 

transform.py✨✨✨

  我们先来看看前文得到了什么，从前面两个py文件的介绍中可知，我们主要就是构建了我们的数据集，即有了图像数据image和和标注信息target。那么这个transform.py文件的作用就是将图像数据和标注信息进行标准化等一系列处理，使数据输入到网络中具有相同的形式。

【注意：target最主要是对里面的bbox进行一些调整】

  需要注意的是mean和std我们采用的是IMagenet数据集的均值和方差。

  做好标准化后我们需要将图片缩放到统一尺寸，还记得我们在R-CNN理论部分是怎么进行缩放的嘛？是的，R-CNN中我们进行了强制缩放到统一大小，很明显这样的效果是不理想的，我们来看看代码中采用的是什么方法。首先我们设置一个最大边长和最小边长，假设最大边长为1000，最小边长为500。对于一张尺寸为250*400的图片，我们先将图片短边缩放到500，然后计算出缩放比例为500/250=2，那么这时再将图片长边乘缩放比例即400*2=800，也即resize后图像尺寸变成了500*800。大致过程如下图所示：

  上述过程的相关代码如下：这样resize不会让图片产生畸变。

  我们知道一个batch会有多张图片，且这些图片的尺寸需要相同。很明显通过上文resize操作得到的图片尺寸是不一致的，无法打包成一个batch。这该怎么办呢，其实也很简单，比如我们一个batch有8张图片，那么我们先找出这一个batch中所有图片的最大的高和宽，比如最大高为1000，最大宽为2000，先创建出一个像素都是0的1000*2000大小图像，然后将8张图片都填入进行。可以结合下图进行理解：

  上述过程相关代码如下：

  这时候我们已经能够把数据打包成一个个batch，这样就可以作为网络的输入了。但是这里还有一个细节不能忘掉喔，就是我们在缩放图片尺寸的时候，我们也需要对图片中的bbox进行相应的缩放，这很好理解，图片小了，图片中的物体当然也小啦，这部分的代码如下：

  好了，这部分就介绍到这里了，其实代码中还是有很多细节滴，大家可以调试看看每步的结果。【注：调试时应该将断点设置在transform.py文件中，而调试运行的是train_res50_fpn.py文件】

 

 

rpn_function.py✨✨✨

  同样的，我们先来看看我们前文得到了什么。经过transform.py的操作，我们已经打包好了一组组的图片，这样就可以输入Backbone网络中得到对应的特征图了，即现在我们已经有了特征图。【注：特征提取这部分我不在介绍，很简单】下面就要进行RPN层了，这一部分非常重要，所以篇幅可能有点长，还请耐心阅读。

首先我们来看看RPN部分的结构图，如下：

  先来看看RPNHead部分，这部分就非常简单啦，主要就是一些卷积的操作，代码如下：

  代码中值得注意的地方就只有上图黄框部分，在我们的Faster R-CNN的原理讲解中，我们说分类时输出通道数为anchors（num_anchors）的2倍，那么这里应该是num_anchors*2，但是代码中没有乘2，这是什么原因呢？其实呀，这是由于使用损失函数的差异导致的，一个使用的是多分类交叉熵损失，一个使用的是二值交叉熵损失，这部分的相关介绍可观看视频 第20分钟了解详情。

---

  接下来再来看看AnchorsGenerator部分，这部分的作用是用来在原图上生成一系列anchors的。首先是初始化，这部分主要设置了生成anchors的尺寸和比例。需要注意的是，在Faster R-CNN论文中我们仅仅设置了三种尺寸和三种比例一共9种anchors；而在这部分代码中，我们传入了五种尺寸三种比例一共15中anchors。可以看到主要是增加32*32和64*64这两类尺寸anchors，这样的好处是什么呢？很容易想到，这样会对图片中小物体的检测更加有效，当然这样做的代价就是计算量变大啦。🍐🍐🍐

  接着我们再来看看正向传播过程，如下图，这里将会重点谈谈黄框和篮框中的内容。

  黄框部分是根据尺寸（size）和高宽比（aspect_ratios）生成15个anchors模板。我们进入函数内部来看看是怎么实现的。

  其实最主要的是上图的右半部分，首先我们由高宽比(aspect_ratios)来求出比列因子，即h_ratios和w_ratios，计算公式如下：【注：为什么采用这个公式计算出比列因子我也不清楚，可能是某些数学上的问题吧。因为我们可以从最后生成的anchors结果可以发现，这样的比列因子可以产生5种尺度三种比列的anchors】

h_ratios = torch.sqrt(aspect_ratios)
w_ratios = 1.0 / h_ratios

  那么下面就来验证一下上文注解中的表述，看看我们最后的anchors是否是5种尺度三种比列的。先来看看h_ratios、w_ratios和scales的值：

  有了这些值之后，执行下面的代码：

ws = (w_ratios[:, None] * scales[None, :]).view(-1)
hs = (h_ratios[:, None] * scales[None, :]).view(-1)

  这部分代码是做什么的呢，其实就是做了一个矩阵乘法，其中w_ratios[:, None]可理解为把w_ratios变成了行向量，scales[None, :]可理解为把scales变成了列向量。接下来就是将这两个向量相乘，如下图所示：

  乘完后进行展平得到输出ws，其值如下：

  同理，可以得到hs:

  最后生成模板，以（0，0）为中心，代码如下：

base_anchors = torch.stack([-ws, -hs, ws, hs], dim=1) / 2

  最终生成的base_anchors值如下：可以看到共有15组值，即生成了15个anchors。

  下面简单分析一下以上数据，看看是否满足5种尺度三种比列，如下：

  从上图可以看出结果base_anchors满足上述所说条件。

  接着我们再来讲讲正向传播蓝框中的内容：这部分主要是将每张预测特征图映射回原图得到anchors坐标信息。

  先来描述一下这部分的大致过程，我们首先会计算出所有anchors在原图上的偏移量，然后再和anchors模板进行结合。最后的大致过程如下。

  总之，通过这一步我们在原图上会生成非常多的anchors，来看一下我们在一张图片上生成了14250个anchor。

---

  至此，我们已经由RPNHead部分得到了分类和回归结果，由AnchorsGenerator部分得到了一系列anchors。接下来我们要做的就是结合这两部的结果来生成候选框（proposals），并对候选框进行过滤筛选，得到符合条件的候选框。

  先来看看如何由RPNHead生成的边界框回归参数和AnchorsGenerator产生的anchors得到新的proposal，即利用边界框回归参数对anchors进行微调。其实这部分很好理解，我之前在R-CNN中有讲过如何由回归参数和anchors得到预测的候选框的公式，如下图所示：

  需要注意的是，上图是针对R-CNN边界框的调整，这里是针对RPN网络的边界框调整，其实公式是一致的。有了这个公式，我们来看看代码就很好理解了。

  在上述代码中，我们得到了修改后边界框中心点的坐标和高度及宽度，之后我们还需要将其变换成边界框的左上和右下点的坐标，代码如下：

  接下来就要对得到的候选框进行相应的过滤了。首先我们会根据RPNHead得到的物体预测分数进行排序，选取预测概率排前的anchors，代码中选取了2000。

  然后通过切片的方式选取候选框，进行完这步后，每张图片的候选框就只剩2000个了。

  之后又会进行一系列操作来过滤候选框，如调整越界边界框的坐标、删除宽度高度小的候选框和删除小概率的边界框及NMS操作等等。

【注：下图只展示了一张图片的候选框个数，即1747个】

  最后我们来简单谈谈在训练过程中RPN网络的损失计算。大致过程如下图所示，会利用AnchorsGenerator生成的anchors以及标注信息targets信息计算分类损失和回归损失。

  这部分我建议大家还是观看视频进行学习，特别是在计算anchors于哪个gt （ground truth）最匹配时，视频中写有例子，表述的非常清楚。这里我就总结一下计算loss的步骤：

• 计算每个anchors最匹配的gt，并将anchors进行分类，前景，背景以及废弃的anchors
• 结合anchors以及对应的gt，计算regression参数
• 根据预测的概率（objectness）、预测的bbox regression（pred_bbox_deltas）、真实的标签（labels）和真实的bbox regression（regression_targets）计算分类损失和回归损失
• 将分类损失和回归损失存储在字典中

相关代码如下：

 

 

roi.head.py✨✨✨

这里我还是要强调一下，大家看我推荐的视频或者这篇文章其实都是不够的，视频是带你入门，文章是帮你整理思路，进行总结，你更多的时间应该还是花在代码的调试上。谈到调试，我这里再多说一嘴，就是我在调试train_mobilenetv2.py脚本时，总是会出现调试中断的情况，大家若出现和我一样的情况，可以试试train_res50_fpn.py脚本，调试这个脚本目前没有遇到这种情况，但是这个脚本会稍微慢一点，可以适当缩小batch_size进行调试。

  下面就来介绍roi.head部分，这部分包括下图中的结构，这么一看，会感觉这部分也太多了。但是呢，这部分其实都比较好理解，而且很多内容都和RPN层非常的相似，就让我们一起来看看吧。🥝🥝🥝

图5.1 roi_head结构图

  首先，我们由上一步RPN网络提取到了很多候选框，但是这些候选框我们并不是都用于FastRCNN的训练，而是先会删选一定数量的候选框进行训练，代码如下：

  我就不带大家进入函数内部一行行看了，这个和RPN中正负样本的选取非常类似，我们可以来看一下运行完这行前后poposals的变化，如下图所示：执行完这句后每张图片的poposals数量由2000变成了512，即每张图片选取了512个候选框用来训练fastRCNN。

  接着我们会利用所选取的候选框和backbone提取到的特征图，得到每个候选框对应于特征图的部分，然后分别送入ROIpooling层。

代码如下：

  同样的，我也只会提供执行此条语句特征图的变化，如下图所示：可以看到这个生成的box_feature的size为（1024，256，7，7）。我来解释一下这个维度代表的含义：1024表示有1024个候选框，我们在上一步划分正负样本时每张图片选取了512个候选框，batch_size设置为2，512*2=1024。256为通道数，（7，7）表示生成特征图的高和宽。

  继续来看图5.1，现在我们需要将上一步得到的box_feature送入Two MLPHead，这部分就更简单了，就是两个全连接层，代码如下：

  执行此代码后特征图的尺寸变化如下：第一个1024表示1024个候选框，第二个1024表示全连接层的输出节点个数为1024。

  经Two MLPHead层后，会分别计算预测目标类别和回归参数，相关代码如下：

  这部分也就是并行进入了两个全连接层，需要注意分类结果=num_classes，回归结果输出结果个数=num_classes\*4【在voc数据集中num_classes=21，包括1个背景和20个前景】

【注：训练模式计算损失，预测给出框的位置标签以及分数,即对应图5.1中的postprocess_detections】

🌸🌸🌸🌸🌸🌸

【注意：这部分要调试的话需要调试的是predict.py脚本】

🌸🌸🌸🌸🌸🌸

 
 

小结

  Faster RCNN的源码至此就全部讲完了，希望大家都能够有所收获吧🌿🌿🌿

🌻🌻🌻🌻🌻🌻🌻🌻🌻🌻

  这里我再简单的说一下如何训练自己的数据集。确实也非常简单，首先我们得有图片文件和标注文件，然后分别放入JPEGImages和Annotations文件，如下图所示：

  接下来我们需要在pascal_voc_classes.json中将要识别的物体种类换成自己的。

  最后我们执行split_data.py文件划分训练集和验证集，此时会在faster_rcnn文件夹下生成train.txt文件和val.txt文件，此外我们需要复制这两个文件到faster_rcnn\VOCdevkit\VOC2012\ImageSets\Main文件夹下。

  上面的工作做完，就可以开始训练了，如运行train_res50_fpn.py脚本。有需要的大家快去试试吧！！！🍉🍉🍉

【注：上述的这种方式是直接把自己的数据集放到VOC数据集的文件夹中，这样就不需要另外修改代码。如果大家不想这样做，那么就自己定义自己的数据集目录结构，但是这样需要对代码的路径做相应的修改。】

🌻🌻🌻🌻🌻🌻🌻🌻🌻🌻

 
 

总结

  如果大家都能够看到最后，不管是视频或者文章，都应该给自己鼓个掌👏👏👏目标检测的代码真的不是和物体分类一个量级，但是应用场景更加广泛。之前看唐宇迪博士的视频，他就说过，他招的新人要求一个月啥也不干，就啃RCNN的三个系列，足以见其重要性。其实对于代码中的很多点自己也还不是很清楚，所以说还是得时常回来啃一啃，补充补充能量。最后的最后，送给大家我最近看到的一句鸡汤：你所做的一切并不会立即给你想要的一切，但可以让你逐渐成为你想成为的那一种人🥂🥂🥂望共勉！！！