探索 YOLO v3 實現細節 – 第2篇 模型

YOLO，即You Only Look Once（你只能看一次）的縮寫，是一個基於卷積神經網路（CNN）的物體檢測演算法。而YOLO v3是YOLO的第3個版本，即YOLO、YOLO 9000、YOLO v3，檢測效果，更準更強。

YOLO v3的更多細節，可以參考YOLO的官網。

YOLO是一句美國的俗語，You Only Live Once，你只能活一次，即人生苦短，及時行樂。

本文主要分享，如何實現YOLO v3的演算法細節，Keras框架。這是第2篇，模型。當然還有第3篇，至第n篇，畢竟，這是一個完整版 ：）

本文的GitHub原始碼：github.com/SpikeKing/k…

已更新：

• 第1篇 訓練：mp.weixin.qq.com/s/T9LshbXoe…
• 第2篇 模型：mp.weixin.qq.com/s/N79S9Qf1O…
• 第3篇 網路：mp.weixin.qq.com/s/hC4P7iRGv…
• 第4篇 真值：mp.weixin.qq.com/s/5Sj7QadfV…
• 第5篇 Loss：mp.weixin.qq.com/s/4L9E4WGSh…

歡迎關注，微信公眾號 深度演算法 （ID: DeepAlgorithm） ，瞭解更多深度技術！

---

入口

在訓練中，呼叫create_model方法建立演算法模型。因此，本節重點分析create_model的實現邏輯。

在create_model方法中，建立YOLO v3的演算法模型，其中方法引數是：

• input_shape：輸入圖片的尺寸，預設是(416, 416)；
• anchors：預設的9種anchor box，結構是(9, 2)；
• num_classes：類別個數，在建立網路時，只需類別數即可。在網路中，類別值按0~n排列，同時，輸入資料的類別也是用索引表示；
• load_pretrained：是否使用預訓練權重。預訓練權重，既可以產生更好的效果，也可以加快模型的訓練速度；
• freeze_body：凍結模式，1或2。其中，1是凍結DarkNet53網路中的層，2是隻保留最後3個1×1的卷積層，其餘層全部凍結；
• weights_path：預訓練權重的讀取路徑；

如下：

def create_model(input_shape, anchors, num_classes, load_pretrained=True, freeze_body=2,
                 weights_path=`model_data/yolo_weights.h5`):
複製程式碼

---

邏輯

在create_model方法中，先將輸入引數，進行處理：

• 拆分圖片尺寸的寬h和高w；
• 建立圖片的輸入層image_input。在輸入層中，既可顯式指定圖片尺寸，如(416, 416, 3)，也可隱式指定，用“?”代替，如(?, ?, 3)；
• 計算anchor的數量num_anchors；
• 根據anchor的數量，建立真值y_true的輸入格式。

具體的實現，如下：

h, w = input_shape  # 尺寸
image_input = Input(shape=(w, h, 3))  # 圖片輸入格式
num_anchors = len(anchors)  # anchor數量

# YOLO的三種尺度，每個尺度的anchor數，類別數+邊框4個+置信度1
y_true = [Input(shape=(h // {0: 32, 1: 16, 2: 8}[l], w // {0: 32, 1: 16, 2: 8}[l],
                       num_anchors // 3, num_classes + 5)) for l in range(3)]
複製程式碼

其中，真值y_true，真值即Ground Truth。“//”是Python語法中的整除符號。通過迴圈，建立3個Input層的列表，作為y_true。y_true的張量（Tensor）結構，如下：

Tensor("input_2:0", shape=(?, 13, 13, 3, 6), dtype=float32)
Tensor("input_3:0", shape=(?, 26, 26, 3, 6), dtype=float32)
Tensor("input_4:0", shape=(?, 52, 52, 3, 6), dtype=float32)
複製程式碼

其中，在真值y_true中，第1位是輸入的樣本數，第2~3位是特徵圖的尺寸，如13×13，第4位是每個圖中的anchor數，第5位是：類別(n)+4個框值(xywh)+框的置信度(是否含有物體)。

接著，通過傳入，輸入Input層image_input、每個尺度的anchor數num_anchors//3和類別數num_classes，構建YOLO v3的網路yolo_body，這個yolo_body方法是核心邏輯。

即：

model_body = yolo_body(image_input, num_anchors // 3, num_classes)
複製程式碼

下一步，是載入預訓練權重的邏輯塊：

1. 根據預訓練權重的地址weights_path，載入權重檔案，設定引數為，按名稱對應by_name，略過不匹配skip_mismatch；
2. 選擇凍結模式：
   • 模式1是凍結185層，模式2是保留最底部3層，其餘全部凍結。整個模型共有252層；
   • 將所凍結的層，設定為不可訓練，model_body.layers[i].trainable=False；

實現：

if load_pretrained:  # 載入預訓練模型
    model_body.load_weights(weights_path, by_name=True, skip_mismatch=True)
    if freeze_body in [1, 2]:
        # Freeze darknet53 body or freeze all but 3 output layers.
        num = (185, len(model_body.layers) - 3)[freeze_body - 1]
        for i in range(num):
            model_body.layers[i].trainable = False  # 將其他層的訓練關閉
複製程式碼

其中，185層是DarkNet53網路的層數，而最底部3層是3個1×1的卷積層，用於預測最終結果。185層是DarkNet53網路的最後一個殘差（Residual）單元，其輸入和輸出如下：

input: [(None, 13, 13, 1024), (None, 13, 13, 1024)]
output: (None, 13, 13, 1024)
複製程式碼

最底部3個1×1的卷積層，將3個特徵矩陣轉換為3個預測矩陣，其格式如下：

1: (None, 13, 13, 1024) -> (None, 13, 13, 18)
2: (None, 26, 26, 512) -> (None, 26, 26, 18)
3: (None, 52, 52, 256) -> (None, 52, 52, 18)
複製程式碼

下一步，構建模型的損失層model_loss，其內容如下：

• Lambda是Keras的自定義層，輸入為model_body.output和y_true，輸出output_shape是(1,)，即一個損失值；
• 自定義Lambda層的名字name為yolo_loss；
• 層的引數是錨框列表anchors、類別數num_classes和IoU閾值ignore_thresh。其中，ignore_thresh用於在物體置信度損失（object confidence loss）中過濾IoU（Intersection over Union，重疊度）較小的框；
• yolo_loss是損失函式的核心邏輯。

實現如下：

model_loss = Lambda(yolo_loss,
                    output_shape=(1,), name=`yolo_loss`,
                    arguments={`anchors`: anchors,
                               `num_classes`: num_classes,
                               `ignore_thresh`: 0.5}
                    )(model_body.output + y_true)
複製程式碼

下一步，構建完整的演算法模型，步驟如下：

• 模型的輸入層：model_body的輸入（即image_input）和真值y_true；
• 模型的輸出層：自定義的model_loss層，其輸出是一個損失值(None,1)；
• 儲存模型的網路圖plot_model和列印網路結構model.summary()；

即：

model = Model(inputs=[model_body.input] + y_true, outputs=model_loss) # 模型
plot_model(model, to_file=os.path.join(`model_data`, `model.png`), show_shapes=True, show_layer_names=True)  # 儲存網路結構
model.summary()  # 列印網路
複製程式碼

其中，model_body.input是任意(?)個(416,416,3)的圖片；y_true是已標註資料所轉換的真值結構，即：

[Tensor("input_2:0", shape=(?, 13, 13, 3, 6), dtype=float32),
  Tensor("input_3:0", shape=(?, 26, 26, 3, 6), dtype=float32),
  Tensor("input_4:0", shape=(?, 52, 52, 3, 6), dtype=float32)]
複製程式碼

最終，這些邏輯，完成演算法模型model的構建。

---

補充1. IoU

IoU，即Intersection over Union，用於計算兩個圖的重疊度，用於計算兩個標註框（bounding box）之間的相關度，值越高，相關度越高。在NMS（Non-Maximum Suppression，非極大值抑制）或計算mAP（mean Average Precision）中，都會使用IoU判斷兩個框的相關性。

如圖：

實現：

def bb_intersection_over_union(boxA, boxB):
    boxA = [int(x) for x in boxA]
    boxB = [int(x) for x in boxB]

    xA = max(boxA[0], boxB[0])
    yA = max(boxA[1], boxB[1])
    xB = min(boxA[2], boxB[2])
    yB = min(boxA[3], boxB[3])

    interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1)

    boxAArea = (boxA[2] - boxA[0] + 1) * (boxA[3] - boxA[1] + 1)
    boxBArea = (boxB[2] - boxB[0] + 1) * (boxB[3] - boxB[1] + 1)
    
    iou = interArea / float(boxAArea + boxBArea - interArea)

    return iou
複製程式碼

---

補充2. 凍結網路層

在微調（fine-tuning）中，需要確定凍結的層數和可訓練的層數，主要取決於，資料集相似度和新資料集的大小。原則上，相似度越高，則固定（fix）的層數越多；新資料集越大，不考慮訓練時間的成本，則可訓練更多的層數。然後可能也要考慮資料集本身的類別間差異度，但上面說的規則基本上還是成立的。

例如，在圖片分類的網路中，底層一般是顏色、輪廓、紋理等基礎結構，顯然大部分問題都由這些相同的基礎結構組成，所以可以凍結這些層。層數越高，所具有泛化性越高，例如這些層會包含對鞋子、裙子和眼睛等，具體語義資訊，比較敏感的神經元。所以，對於新的資料集，就需要訓練這些較高的層。同時，比如一個高層神經元對車的輪胎較為敏感，不等於輸入其它影像，就無法啟用，因而，普通問題甚至可以只訓練最後全連線層。

在Keras中，通過設定每層的trainable引數，即可控制是否凍結該層，如：

model_body.layers[i].trainable = False
複製程式碼

---

OK, that`s all! Enjoy it!

歡迎關注，微信公眾號 深度演算法 （ID: DeepAlgorithm） ，瞭解更多深度技術！