现在要针对我们需求引入检测模型，只检测人物，然后是图像能侧立，这样人物在里面占比更多，也更清晰，也不需要检测人占比小的情况，如下是针对这个需求，用的yolov3-tiny模型训练后的效果。
Yolov3模型网上也讲烂了，但是总感觉不看代码，不清楚具体实现看讲解总是不清晰，在这分析下darknet的实现，给自己解惑，顺便也做个笔记。
首先查看打开yolov3.cfg，我们看下网络，可以用netron查看图形界面，可以发现网络主要以卷积层构成，shortcut(残差连接),route(通道组合)三种构成,首先用步长为2的卷积缩小图像一次，然后开始用shortcut(残差连接)连接一次再用步长为2的卷积缩小图像缩小二次，后面开始不断用卷积与残差组合，到开始分支，分出二个部分，每分出一个分支就把主支图像缩小次，最后加上主支部分一共三个分支，就是一共有3个yolo层，其中主支部分缩小了五次，第一次分支缩小三次，第二次分支缩小四次。
这里也解答了以前我的一个疑惑，从ResNet网络开始，开始隔层交流，不管是相加还是整合，我疑惑的是如何在文件这种列表形式下描述分支结构，原来很简单，一次描述一个分支，然后用route/shortcut记录分支层，继续向下描述。
回到网络部分，这三次分支可以用这图表示，网络上不知谁的，确实表达了很多要说的，不过有个问题，应该是版本更新了，我手上配置拿的是长宽是608*608，所以下图需要改一些，如13*13是19*19，大家明白就行，还有主支是32(2^5)倍那个，16与8是第二分支与第一分支，其中先算主支部分，算完主支然后上层卷积层upsample再与第二分支route一起算，第一分支同这逻辑。
这个yolo层就是主支部分，可以看如上分析，在这层特征图长宽只有19*19，对应如上 anchors中是根据k-means算法拿到对应图集K=9的分类簇框，其中mask=6,7,8指向最后三个大框，主支部分主要检测大物体，根据前面分析可以知道中框包含了大框的特征图结果，而小框包含中大的特征图结果，这应该yolov3相比v2针对小物体的识别提高的原因，而shortcut与route则保证网络能加深到一百多层。
darknet种各层的主要有三个函数，分别是make_xxx_layer, forward_xxx_layer, backward_xxx_layer, 这三个函数make_xxx_layer是初始各种参数，根据参数自动算一些参数，如卷积层，根据传入特征图的大小与核的参数，就能算出传出特征图的大小，以及申请内存或是显存，forward_xxx_layer表示根据当前层参数计算预测，而backward_xxx_layer根据上层的delta(如上层是yolo层，delta就表示期望输出-预测输出)与输入计算梯度，并更新下层需要的delta，以及还有个update_xxx_layer用于根据backward_xxx_layer计算的梯度来更新参数。而yolo,region,detection,softmax这几种检测层相对卷积层来说，没有参数weight,主要用来计算delta(期望输出-预测输出).而反向传播就是从这个yolo的delta开始的，在yolo的反向传播中，先把这个delta给卷积层的delta,然后结合前一层的输出，求得当前层的梯度，并把delta结合当前层的weights求得新的delta，然后下一层卷积层根据这个delta梯度，循环下去更新所有参数。
下面根据代码来分析yolov层，先看下make_yolo_layer的实现。
//在yolov3中,n=3 total=9（mask在yolov3中分三组，分别是[0,1,2/3,4,5/6,7,8],n表示分组里几个数据,n*3=total)
//608*608下,第一组是19*19，第二组是38*38，第三组是76*76,每组检查对应索引里的anchors
layer make_yolo_layer(int batch, int w, int h, int n, int total, int *mask, int classes)
{
//在这假设在主支中,其中缩小5次,608/(2^5)=19,这个分支中,w=h=19
int i;
layer l = { 0 };
l.type = YOLO;
//检测几种类型边框(这分支对应上面anchors[6,7,8]这个用来检测大边框)
l.n = n;
//如上,在yolov3中，有大中小分别有三个边框聚合,一共是3*3=9
//而在yolov3-tiny中,有大小分别三个边框聚合，一共是3*2=6
l.total = total;
//一般来说，训练为32,预测为1
l.batch = batch;
//主支,608/(2^5)=19
l.h = h;
l.w = w;
//如上在主支中,每张特征图有19*19个元素,c表示特征图个数,n表示对应的anchors[6,7,8]这三个
//4表示box坐标,1是Po(预测机率与IOU正确率)的概率,classes是预测的类别数
l.c = n * (classes + 4 + 1);
l.out_w = l.w;
l.out_h = l.h;
l.out_c = l.c;
//检测一共有多少个类别
l.classes = classes;
//计算代价(数据集整体的误差描述)
l.cost = calloc(1, sizeof(float));
//对应表示anchors
l.biases = calloc(total * 2, sizeof(float));
//对应如上anchors中n对应需要用到的索引
if (mask) l.mask = mask;
else {
l.mask = calloc(n, sizeof(int));
for (i = 0; i < n; ++i) {
l.mask[i] = i;
}
}
l.bias_updates = calloc(n * 2, sizeof(float));
//当前层batch为1的所有输出特征图包含的元素个数，每个元素为一个float
l.outputs = h * w*n*(classes + 4 + 1);
//当前层batch为1时所有输入特征图包含的元素个数，每个元素为一个float
l.inputs = l.outputs;
//标签(真实)数据,这里90表示如上w*h(19*19中)每个格子最多有90个label。
//而每个label前面4个float表示box的四个点,后面1个float表示当前类别
l.truths = 90 * (4 + 1);
//计算误差(数据单个的误差描述),用来表示 期望输出-真实输出
l.delta = calloc(batch*l.outputs, sizeof(float));
l.output = calloc(batch*l.outputs, sizeof(float));
for (i = 0; i < total * 2; ++i) {
l.biases[i] = .5;
}
l.forward = forward_yolo_layer;
l.backward = backward_yolo_layer;
#ifdef GPU
l.forward_gpu = forward_yolo_layer_gpu;
l.backward_gpu = backward_yolo_layer_gpu;
l.output_gpu = cuda_make_array(l.output, batch*l.outputs);
l.delta_gpu = cuda_make_array(l.delta, batch*l.outputs);
#endif
fprintf(stderr, "yolo\n");
srand(0);
return l;
}
make_yolo_layer
以主支来做分析，每张特征图有19*19个元素,c表示特征图个数，结合上图，一共有3*(80+4+1)=255,简单来说，分别对应116,90, 156,198, 373,326这三个聚类簇，其中前85个就是116,90这框的结果，前4个是边框坐标，1个置信度，80个类别概率，一共三个，还有标签(真实)数据,这里90表示如上w*h(19*19中)每个格子最多有90个label,而每个label前面4个float表示box的四个点,后面1个float表示当前类别，搞清楚这二个对应排列，在如下的forward_yolo_layer里，我们才能明白如何计算的delta,代码加上注释有点多，这段就不贴了，代码部分说明下。
主要有二部分，还是先说下，在这里delta表示 期望输出-out(不同框架可能不同，我看caffe里的yolo实现，就是out-期望输出)。
第一部分，前面查找所有特征图(在这1batch是三张）里的所有元素(19*19)里的所有confidence,准确来说在第三分支19*19个元素，每个元素有三个大框预测，检测对应所有框里真实数据最好的box的iou，如果iou大于设定的ignore_thresh，则设delta为0，否则就是0-out(0表示没有，我们期望输出是0)。
第二部分，在对照所有真实label中，先找到这个label是否是大框，如果不是，这个yolo层不管，如果是，继续看是上面6，7，8中的那一个，我们假设是8，根据真实框的位置确定在特征图的位置(19*19中),其8对应255张特征图中间的85-170这85张图，然后比较真实的BOX与对应特征图预测的box,算出对应box的 delta，然后是confidence的delta(可以知道，正确的box位置上的元素会算二次confidence损失)，然后是类别的delta。各delta比较简单，如果认为是真的,delta=1-out,如果是错的，delta=0-out,简单来说就是期望输出-out，最后网络cost就是每层yolo的delta的平方和加起来的均值。
然后是yolo训练时输出的各项参数（这图用的是yolov3-tiny训练，所以只有16和23这二个yolo层）,对比如上16层检测大的，23检测小的。
可以看到，count是表示当前层与真实label正确配对的box数，其中所有参数都是针对这个值的平均值，除no obj外，不过从代码上来，这个参数意义并不大，所以当前yolo层如果出现nan这个的打印，也是正常的，只是表示当前batch刚好所有图片都是大框或是小框，所以提高batch的数目可以降低nan出现的机率，不过相应的是，batch提高，可能显存就暴了，我用的2070一次用默认的64张显存就不够，只能改成32张。其中avg iou表示当前层正确配对的box的交并比的平均值，class表示表示当前层正确配对类别的平均机率，obj表示confidence = P(object)* IOU，表示预测box包含对象与IOU好坏的评分，0.5R/0.7R:表示iou在0.5/0.7上与正确配对的box的比率。
搞明白darknet框架各层后，回到我们需求，引入检测模型，只检测人物，然后是图像能侧立，这样人物在里面占比更多，也更清晰，也不需要检测人占比小的情况。先说明下，用的yolov3-tiny，因为可能要每桢检查并不需要占太多资源，故使用简化模型。
首先筛选满足条件的数据集，本来准备用coco数据自带api分析，发现还麻烦些，数据全有了，逻辑并不复杂，用winform自己写了就行了。
/// <summary>
/// 数据经过funcFilterLabel过滤，过滤后的数据需要全部满足discardFilterLabel
/// </summary>
/// <param name="instData"></param>
/// <param name="funcFilterLabel">满足条件就采用</param>
/// <param name="discardFilterLabel">需要所有标签满足的条件</param>
/// <returns></returns>
public List<ImageLabel> CreateYoloLabel(instances instData,
Func<annotationOD, image, bool> funcFilterLabel,
Func<annotationOD, image, bool> discardFilterLabel)
{
List<ImageLabel> labels = new List<ImageLabel>();
//foreach (var image in instData.images)
Parallel.ForEach(instData.images, (image image) =>
{
var anns = instData.annotations.FindAll(p => p.image_id == image.id && funcFilterLabel(p, image));
bool bReserved = anns.TrueForAll((annotationOD ao) => discardFilterLabel(ao, image));
if (anns.Count > 0 && bReserved)
{
ImageLabel iml = new ImageLabel();
iml.imageId = image.id;
iml.name = image.file_name;
float dw = 1.0f / image.width;
float dh = 1.0f / image.height;
foreach (var ann in anns)
{
BoxIndex boxIndex = new BoxIndex();
boxIndex.box.xcenter = (ann.bbox[0] + ann.bbox[2] / 2.0f) * dw;
boxIndex.box.ycenter = (ann.bbox[1] + ann.bbox[3] / 2.0f) * dh;
boxIndex.box.width = ann.bbox[2] * dw;
boxIndex.box.height = ann.bbox[3] * dh;
//注册
boxIndex.catId = findCategoryId(instData.categories, ann.category_id);
if (boxIndex.catId >= 0)
iml.boxs.Add(boxIndex);
}
if (iml.boxs.Count > 0)
{
lock (labels)
{
labels.Add(iml);
}
}
}
});
return labels;
}
public async void BuildYoloData(DataPath dataPath, string txtListName)
{
instances instance = new instances();
if (!File.Exists(dataPath.AnnotationPath))
{
setText(dataPath.AnnotationPath + " 路径不存在.");
return;
}
setText("正在读取文件中:" + Environment.NewLine + dataPath.AnnotationPath);
var jsonTex = await Task.FromResult(File.ReadAllText(dataPath.AnnotationPath));
setText("正在解析文件中:" + Environment.NewLine + dataPath.AnnotationPath);
instance = await Task.FromResult(JsonConvert.DeserializeObject<instances>(jsonTex));
setText("正在分析文件包含人物图像:" + instance.images.Count + "个");
List<ImageLabel> labels = await Task.FromResult(COCODataManager.Instance.CreateYoloLabel(
instance,
(annotationOD at, image image) =>
{
//是否人类
return at.category_id == 1;
},
(annotationOD at, image image) =>
{
//是否满足所有人类标签都面积占比都大于十分之一
return (at.bbox[2] / image.width) * (at.bbox[3] / image.height) > 0.1f;
}));
setText("正在生成label文件:" + Environment.NewLine + dataPath.LabelPath);
if (!Directory.Exists(dataPath.LabelPath))
{
Directory.CreateDirectory(dataPath.LabelPath);
}
await Task.Run(() =>
{
Parallel.ForEach(labels, (ImageLabel imageLabel) =>
{
string fileName = Path.Combine(dataPath.LabelPath,
Path.GetFileNameWithoutExtension(imageLabel.name) + ".txt");
using (var file = new StreamWriter(Path.Combine(dataPath.LabelPath, fileName), false))
{
foreach (var label in imageLabel.boxs)
{
file.WriteLine(label.catId + " " + label.box.xcenter + " " + label.box.ycenter +
" " + label.box.width + " " + label.box.height + " ");
}
}
});
string path = Path.Combine(Directory.GetParent(dataPath.LabelPath).FullName,
txtListName + ".txt");
using (var file = new StreamWriter(path, false))
{
foreach (var label in labels)
{
string lpath = Path.Combine(dataPath.DestImagePath, label.name);
file.WriteLine(lpath);
}
}
});
setText("正在复制需要的文件到指定目录:" + dataPath.AnnotationPath);
await Task.Run(() =>
{
Parallel.ForEach(labels, (ImageLabel imageLabel) =>
{
string spath = Path.Combine(dataPath.SourceImagePath, imageLabel.name);
string dpsth = Path.Combine(dataPath.DestImagePath, imageLabel.name);
if (File.Exists(spath))
File.Copy(spath, dpsth, true);
});
});
setText("全部完成");
}
CreateYoloLabel
只有一点需要注意，我们只记录人类box标签数据，但是这些标签需要全部大于特定面积的图，如果你选择的上面还有小面积人物，又不给box标签训练，最后yolo层并没面板的损失函数，会造成干扰，在这本来也没有检查小面积人物的需求，yolov3-tiny层数本也不多，需求泛化后精度很低。
darknet本身并没有针对侧立做适配，我们需要修改相应逻辑来完成，很简单，一张图四个方向旋转后，同样修改相应的truth box就行了是，darknet数据加载主要在data.c这部分，找到我们使用的加载逻辑load_data_detection里,主要针对如下修改。
data load_data_detection(int n, char **paths, int m, int w, int h, int boxes, int classes,
float jitter, float hue, float saturation, float exposure)
{
....................
random_distort_image(sized, hue, saturation, exposure);
int flip = rand() % 2;
if (flip)
flip_image(sized);
int vflip = rand() % 2;
if (vflip)
vflip_image(sized);
int trans = rand() % 2;
if (trans)
transpose_image(sized);
d.X.vals[i] = sized.data;
fill_truth_detection(random_paths[i], boxes, d.y.vals[i], classes, flip,
-dx / w, -dy / h, nw / w, nh / h, vflip, trans);
free_image(orig);
....................
}
void correct_boxes(box_label *boxes, int n, float dx, float dy, float sx,
float sy, int flip, int vflip, int trans)
{
int i;
for (i = 0; i < n; ++i) {
if (boxes[i].x == 0 && boxes[i].y == 0) {
boxes[i].x = 999999;
boxes[i].y = 999999;
boxes[i].w = 999999;
boxes[i].h = 999999;
continue;
}
boxes[i].left = boxes[i].left * sx - dx;
boxes[i].right = boxes[i].right * sx - dx;
boxes[i].top = boxes[i].top * sy - dy;
boxes[i].bottom = boxes[i].bottom* sy - dy;
if (flip)
{
float swap = boxes[i].left;
boxes[i].left = 1. - boxes[i].right;
boxes[i].right = 1. - swap;
}
if (vflip)
{
float swap = boxes[i].top;
boxes[i].top = 1. - boxes[i].bottom;
boxes[i].bottom = 1. - swap;
}
boxes[i].left = constrain(0, 1, boxes[i].left);
boxes[i].right = constrain(0, 1, boxes[i].right);
boxes[i].top = constrain(0, 1, boxes[i].top);
boxes[i].bottom = constrain(0, 1, boxes[i].bottom);
boxes[i].x = (boxes[i].left + boxes[i].right) / 2;
boxes[i].y = (boxes[i].top + boxes[i].bottom) / 2;
boxes[i].w = (boxes[i].right - boxes[i].left);
boxes[i].h = (boxes[i].bottom - boxes[i].top);
boxes[i].w = constrain(0, 1, boxes[i].w);
boxes[i].h = constrain(0, 1, boxes[i].h);
if (trans)
{
float temp = boxes[i].x;
boxes[i].x = boxes[i].y;
boxes[i].y = temp;
temp = boxes[i].w;
boxes[i].w = boxes[i].h;
boxes[i].h = temp;
}
}
}
load_data_detection
然后拿到yolov3-tiny.cfg文件，先把burn_in修改成1，我们没有预精确数据，最开始就以原始学习率开始训练，对应二个yolo层里的classes改成一，记的前面说过，这个层就是分析上面的卷积层，故上面的输出filters=3*(4+1+1)=18,第一次训练后发现五W次就没怎么收敛了，分析了下，应该是anchors导致的，当图像侧立后，这里的也应该有类似数据，故选择全大面积人物二种特定框，分别取侧立，这里正确的搞法应该是用k-means再重新取K=2算一下所有现在特定图的框,分别对应大框与小框，然后侧立下,大框就有二个，小框二个,num=4,mask每层设二个索引，或是K=4,然后让上面来，后面抽出时间完善这步，现暂时用如下数据anchors = 100,100, 119,59, 59,119, 200,200, 326,373, 373,326，这些调整后，现训练21W次，也还一直收敛中。
训练与验证根据他自身的train_yolo/validata_yolo修改下，自己可以打印出自己想要的信息，验证可以结合opencv显示我们想要的各种图形比对效果。