python目标检测SSD算法训练部分源码详解

目录

  • 学习前言
  • 讲解构架
  • 模型训练的流程
    • 1、设置参数
    • 2、读取数据集
    • 3、建立ssd网络。
    • 4、预处理数据集
    • 5、框的编码
    • 6、计算loss值
    • 7、训练模型并保存
  • 开始训练

    学习前言 ……又看了很久的SSD算法,今天讲解一下训练部分的代码。预测部分的代码可以参照https://blog.csdn.net/weixin_44791964/article/details/102496765

    讲解构架 本次教程的讲解主要是对训练部分的代码进行讲解,该部分讲解主要是对训练函数的执行过程与执行思路进行详解。
    训练函数的执行过程大体上分为:

    1、设定训练参数。

    2、读取数据集。

    3、建立ssd网络。

    4、预处理数据集。

    5、对ground truth实际框进行编码,使其格式符合神经网络的预测结果,便于比较。

    6、计算loss值。

    7、利用优化器完成梯度下降并保存模型。
    在看本次算法前,建议先下载我简化过的源码,配合观看,具体运行方法在开始训练部分。
    链接:https://pan.baidu.com/s/1MeFsWrv5dAo2Lo6T5ZYsRw
    提取码:eo3d

    模型训练的流程 本文使用的ssd_vgg_300的源码源于https://github.com/balancap/SSD-Tensorflow,本文对其进行了简化,保留了上一次筛选出的预测部分,还加入了训练部分,便于理顺整个SSD的框架。
    【python目标检测SSD算法训练部分源码详解】
    1、设置参数
    在载入数据库前,首先要设定一系列的参数,这些参数可以分为几个部分。
    第一部分是SSD网络中的一些标志参数:
    # =========================================================================== ## SSD Network flags.# =========================================================================== ## localization框的衰减比率tf.app.flags.DEFINE_float('loss_alpha', 1., 'Alpha parameter in the loss function.')# 正负样本比率tf.app.flags.DEFINE_float('negative_ratio', 3., 'Negative ratio in the loss function.')# ground truth处理后,匹配得分高于match_threshold属于正样本tf.app.flags.DEFINE_float('match_threshold', 0.5, 'Matching threshold in the loss function.')

    第二部分是训练时的参数(包括训练效果输出、保存方案等):
    # =========================================================================== ## General Flags.# =========================================================================== ## train_dir用于保存训练后的模型和日志tf.app.flags.DEFINE_string('train_dir', '/tmp/tfmodel/','Directory where checkpoints and event logs are written to.')# num_readers是在对数据集进行读取时所用的平行读取器个数tf.app.flags.DEFINE_integer('num_readers', 4,'The number of parallel readers that read data from the dataset.')# 在进行训练batch的构建时,所用的线程数tf.app.flags.DEFINE_integer('num_preprocessing_threads', 4,'The number of threads used to create the batches.')# 每十步进行一次log输出,在窗口上tf.app.flags.DEFINE_integer('log_every_n_steps', 10,'The frequency with which logs are print.')# 每600秒存储一次记录tf.app.flags.DEFINE_integer('save_summaries_secs', 600,'The frequency with which summaries are saved, in seconds.')# 每600秒存储一次模型tf.app.flags.DEFINE_integer('save_interval_secs', 600,'The frequency with which the model is saved, in seconds.')# 可以使用的gpu内存数量tf.app.flags.DEFINE_float('gpu_memory_fraction', 0.7, 'GPU memory fraction to use.')

    第三部分是优化器参数:
    # =========================================================================== ## Optimization Flags.# =========================================================================== ## 优化器参数# weight_decay参数tf.app.flags.DEFINE_float('weight_decay', 0.00004, 'The weight decay on the model weights.')# 使用什么优化器tf.app.flags.DEFINE_string('optimizer', 'rmsprop','The name of the optimizer, one of "adadelta", "adagrad", "adam",''"ftrl", "momentum", "sgd" or "rmsprop".')tf.app.flags.DEFINE_float('adadelta_rho', 0.95,'The decay rate for adadelta.')tf.app.flags.DEFINE_float('adagrad_initial_accumulator_value', 0.1,'Starting value for the AdaGrad accumulators.')tf.app.flags.DEFINE_float('adam_beta1', 0.9,'The exponential decay rate for the 1st moment estimates.')tf.app.flags.DEFINE_float('adam_beta2', 0.999,'The exponential decay rate for the 2nd moment estimates.')tf.app.flags.DEFINE_float('opt_epsilon', 1.0, 'Epsilon term for the optimizer.')tf.app.flags.DEFINE_float('ftrl_learning_rate_power', -0.5,'The learning rate power.')tf.app.flags.DEFINE_float('ftrl_initial_accumulator_value', 0.1,'Starting value for the FTRL accumulators.')tf.app.flags.DEFINE_float('ftrl_l1', 0.0, 'The FTRL l1 regularization strength.')tf.app.flags.DEFINE_float('ftrl_l2', 0.0, 'The FTRL l2 regularization strength.')tf.app.flags.DEFINE_float('momentum', 0.9,'The momentum for the MomentumOptimizer and RMSPropOptimizer.')tf.app.flags.DEFINE_float('rmsprop_momentum', 0.9, 'Momentum.')tf.app.flags.DEFINE_float('rmsprop_decay', 0.9, 'Decay term for RMSProp.')

    第四部分是学习率参数:
    # =========================================================================== ## Learning Rate Flags.# =========================================================================== ## 学习率衰减的方式,有固定、指数衰减等tf.app.flags.DEFINE_string('learning_rate_decay_type','exponential','Specifies how the learning rate is decayed. One of "fixed", "exponential",'' or "polynomial"')# 初始学习率tf.app.flags.DEFINE_float('learning_rate', 0.01, 'Initial learning rate.')# 结束时的学习率tf.app.flags.DEFINE_float('end_learning_rate', 0.0001,'The minimal end learning rate used by a polynomial decay learning rate.')tf.app.flags.DEFINE_float('label_smoothing', 0.0, 'The amount of label smoothing.')# 学习率衰减因素tf.app.flags.DEFINE_float('learning_rate_decay_factor', 0.94, 'Learning rate decay factor.')tf.app.flags.DEFINE_float('num_epochs_per_decay', 2.0,'Number of epochs after which learning rate decays.')tf.app.flags.DEFINE_float('moving_average_decay', None,'The decay to use for the moving average.''If left as None, then moving averages are not used.')

    第五部分是数据集参数:
    # =========================================================================== ## Dataset Flags.# =========================================================================== ## 数据集名称tf.app.flags.DEFINE_string('dataset_name', 'imagenet', 'The name of the dataset to load.')# 数据集种类个数tf.app.flags.DEFINE_integer('num_classes', 21, 'Number of classes to use in the dataset.')# 训练还是测试tf.app.flags.DEFINE_string('dataset_split_name', 'train', 'The name of the train/test split.')# 数据集目录tf.app.flags.DEFINE_string('dataset_dir', None, 'The directory where the dataset files are stored.')tf.app.flags.DEFINE_integer('labels_offset', 0,'An offset for the labels in the dataset. This flag is primarily used to ''evaluate the VGG and ResNet architectures which do not use a background ''class for the ImageNet dataset.')tf.app.flags.DEFINE_string('model_name', 'ssd_300_vgg', 'The name of the architecture to train.')tf.app.flags.DEFINE_string('preprocessing_name', None, 'The name of the preprocessing to use. If left ''as `None`, then the model_name flag is used.')# 每一次训练batch的大小tf.app.flags.DEFINE_integer('batch_size', 32, 'The number of samples in each batch.')# 训练图片的大小tf.app.flags.DEFINE_integer('train_image_size', None, 'Train image size')# 最大训练次数tf.app.flags.DEFINE_integer('max_number_of_steps', 50000,'The maximum number of training steps.')

    第六部分是微修已有的模型所需的参数:
    # =========================================================================== ## Fine-Tuning Flags.# =========================================================================== ## 该部分参数用于微修已有的模型# 原模型的位置tf.app.flags.DEFINE_string('checkpoint_path', None,'The path to a checkpoint from which to fine-tune.')tf.app.flags.DEFINE_string('checkpoint_model_scope', None,'Model scope in the checkpoint. None if the same as the trained model.')# 哪些变量不要tf.app.flags.DEFINE_string('checkpoint_exclude_scopes', None,'Comma-separated list of scopes of variables to exclude when restoring ''from a checkpoint.')# 那些变量不训练tf.app.flags.DEFINE_string('trainable_scopes', None,'Comma-separated list of scopes to filter the set of variables to train.''By default, None would train all the variables.')# 忽略丢失的变量tf.app.flags.DEFINE_boolean('ignore_missing_vars', False,'When restoring a checkpoint would ignore missing variables.')FLAGS = tf.app.flags.FLAGS

    所有的参数的意义我都进行了标注,在实际训练的时候需要修改一些参数的内容,这些参数看起来多,其实只是包含了一个网络训练所有必须的部分:

    网络主体参数;

    训练时的普通参数(包括训练效果输出、保存方案等);

    优化器参数;

    学习率参数;

    数据集参数;

    微修已有的模型的参数设置。

    2、读取数据集
    在训练流程中,其通过如下函数读取数据集
    ##########################读取数据集部分############################## 选择数据库dataset = dataset_factory.get_dataset(FLAGS.dataset_name, FLAGS.dataset_split_name, FLAGS.dataset_dir)

    dataset_factory里面放的是数据集获取和处理的函数,这里面对应了4个数据集, 利用datasets_map存储了四个数据集的处理代码。
    from __future__ import absolute_importfrom __future__ import divisionfrom __future__ import print_functionfrom datasets import cifar10from datasets import imagenetfrom datasets import pascalvoc_2007from datasets import pascalvoc_2012datasets_map = {'cifar10': cifar10,'imagenet': imagenet,'pascalvoc_2007': pascalvoc_2007,'pascalvoc_2012': pascalvoc_2012,}def get_dataset(name, split_name, dataset_dir, file_pattern=None, reader=None):"""给定一个数据集名和一个拆分名返回一个数据集。参数:name: String, 数据集名称split_name: 训练还是测试dataset_dir: 存储数据集文件的目录。file_pattern: 用于匹配数据集源文件的文件模式。reader: tf.readerbase的子类。如果保留为“none”,则使用每个数据集定义的默认读取器。Returns:数据集"""if name not in datasets_map:raise ValueError('Name of dataset unknown %s' % name)return datasets_map[name].get_split(split_name,dataset_dir,file_pattern,reader)

    我们这里用到pascalvoc_2012的数据,所以当返回datasets_map[name].get_split这个代码时,实际上调用的是:
    pascalvoc_2012.get_split(split_name,dataset_dir,file_pattern,reader)

    在pascalvoc_2012中get_split的执行过程如下,其中file_pattern = ‘voc_2012_%s_*.tfrecord’,这个名称是训练的图片的默认名称,实际训练的tfrecord文件名称像这样voc_2012_train_001.tfrecord,意味着可以读取这样的训练文件:
    def get_split(split_name, dataset_dir, file_pattern=None, reader=None):"""Gets a dataset tuple with instructions for reading ImageNet.Args:split_name: 训练还是测试dataset_dir: 数据集的位置file_pattern: 匹配数据集源时要使用的文件模式。假定模式包含一个'%s'字符串,以便可以插入拆分名称reader: TensorFlow阅读器类型。Returns:数据集."""if not file_pattern:file_pattern = FILE_PATTERNreturn pascalvoc_common.get_split(split_name, dataset_dir,file_pattern, reader,SPLITS_TO_SIZES,ITEMS_TO_DESCRIPTIONS,NUM_CLASSES)

    再进入到pascalvoc_common文件后,实际上就开始对tfrecord的文件进行分割了,通过代码注释我们了解代码的执行过程,其中tfrecord的文件读取就是首先按照keys_to_features的内容进行文件解码,解码后的结果按照items_to_handlers的格式存入数据集:
    def get_split(split_name, dataset_dir, file_pattern, reader,split_to_sizes, items_to_descriptions, num_classes):"""Gets a dataset tuple with instructions for reading Pascal VOC dataset.给定一个数据集名和一个拆分名返回一个数据集。参数:name: String, 数据集名称split_name: 训练还是测试dataset_dir: 存储数据集文件的目录。file_pattern: 用于匹配数据集源文件的文件模式。reader: tf.readerbase的子类。如果保留为“none”,则使用每个数据集定义的默认读取器。Returns:数据集"""if split_name not in split_to_sizes:raise ValueError('split name %s was not recognized.' % split_name)# file_pattern是取得的tfrecord数据集的位置file_pattern = os.path.join(dataset_dir, file_pattern % split_name)# 当没有的时候使用默认readerif reader is None:reader = tf.TFRecordReader# VOC数据集中的文档内容keys_to_features = {'image/encoded': tf.FixedLenFeature((), tf.string, default_value=''),'image/format': tf.FixedLenFeature((), tf.string, default_value='https://www.it610.com/article/jpeg'),'image/height': tf.FixedLenFeature([1], tf.int64),'image/width': tf.FixedLenFeature([1], tf.int64),'image/channels': tf.FixedLenFeature([1], tf.int64),'image/shape': tf.FixedLenFeature([3], tf.int64),'image/object/bbox/xmin': tf.VarLenFeature(dtype=tf.float32),'image/object/bbox/ymin': tf.VarLenFeature(dtype=tf.float32),'image/object/bbox/xmax': tf.VarLenFeature(dtype=tf.float32),'image/object/bbox/ymax': tf.VarLenFeature(dtype=tf.float32),'image/object/bbox/label': tf.VarLenFeature(dtype=tf.int64),'image/object/bbox/difficult': tf.VarLenFeature(dtype=tf.int64),'image/object/bbox/truncated': tf.VarLenFeature(dtype=tf.int64),}# 解码方式items_to_handlers = {'image': slim.tfexample_decoder.Image('image/encoded', 'image/format'),'shape': slim.tfexample_decoder.Tensor('image/shape'),'object/bbox': slim.tfexample_decoder.BoundingBox(['ymin', 'xmin', 'ymax', 'xmax'], 'image/object/bbox/'),'object/label': slim.tfexample_decoder.Tensor('image/object/bbox/label'),'object/difficult': slim.tfexample_decoder.Tensor('image/object/bbox/difficult'),'object/truncated': slim.tfexample_decoder.Tensor('image/object/bbox/truncated'),}# 将tfrecord上keys_to_features的部分解码到items_to_handlers上decoder = slim.tfexample_decoder.TFExampleDecoder(keys_to_features, items_to_handlers)labels_to_names = Noneif dataset_utils.has_labels(dataset_dir):labels_to_names = dataset_utils.read_label_file(dataset_dir)return slim.dataset.Dataset(data_sources=file_pattern,# 数据源reader=reader,# tf.TFRecordReaderdecoder=decoder,# 解码结果num_samples=split_to_sizes[split_name], # 17125items_to_descriptions=items_to_descriptions,# 每一个item的描述num_classes=num_classes,# 种类labels_to_names=labels_to_names)

    通过上述一系列操作,实际上是返回了一个slim.dataset.Dataset数据集,而一系列函数的调用,实际上是为了调用对应的数据集。

    3、建立ssd网络。
    建立ssd网络的过程并不复杂,没有许多函数的调用,实际执行过程如果了解ssd网络的预测部分就很好理解,我这里只讲下逻辑:

    1、利用ssd_class = ssd_vgg_300.SSDNet获得SSDNet的类

    2、替换种类的数量num_classes参数

    3、利用ssd_net = ssd_class(ssd_params)建立网络

    4、获得先验框
    调用的代码如下:
    ###########################建立ssd网络############################### 获得SSD的网络和它的先验框ssd_class = ssd_vgg_300.SSDNet# 替换种类的数量num_classes参数ssd_params = ssd_class.default_params._replace(num_classes=FLAGS.num_classes)# 成功建立了网络net,替换参数ssd_net = ssd_class(ssd_params)# 获得先验框ssd_shape = ssd_net.params.img_shapessd_anchors = ssd_net.anchors(ssd_shape) # 包括六个特征层的先验框


    4、预处理数据集
    预处理数据集的代码比较长,但是逻辑并不难理解。
    1、获得数据集名称。
    2、获取数据集处理的函数。
    3、利用DatasetDataProviders从数据集中提供数据,进行数据的预加载。
    4、获取原始的图片和它对应的label,框ground truth的位置
    5、预处理图片标签和框的位置
    具体实现的代码如下:
    ###########################预处理数据集############################### preprocessing_name等于ssd_300_vggpreprocessing_name = FLAGS.preprocessing_name or FLAGS.model_name# 根据名字进行处理获得处理函数image_preprocessing_fn = preprocessing_factory.get_preprocessing(preprocessing_name, is_training=True)# 打印参数tf_utils.print_configuration(FLAGS.__flags, ssd_params,dataset.data_sources, FLAGS.train_dir)# DatasetDataProviders从数据集中提供数据. 通过配置,# 可以同时使用多个readers或者使用单个reader提供数据。此外,被读取的数据# 可以被打乱顺序# 预加载with tf.name_scope(FLAGS.dataset_name + '_data_provider'):provider = slim.dataset_data_provider.DatasetDataProvider(dataset,num_readers=FLAGS.num_readers,common_queue_capacity=20 * FLAGS.batch_size,common_queue_min=10 * FLAGS.batch_size,shuffle=True)# 获取原始的图片和它对应的label,框ground truth的位置[image, _, glabels, gbboxes] = provider.get(['image', 'shape','object/label','object/bbox'])# 预处理图片标签和框的位置image, glabels, gbboxes = \image_preprocessing_fn(image, glabels, gbboxes,out_shape=ssd_shape,data_format=DATA_FORMAT)

    在这一部分中,可能存在的疑惑的是第二步和第五步,实际上第五步调用的就是第二步中的图像预处理函数,所以我们只要看懂第二步“获取数据集处理的函数“即可。
    获得处理函数的代码是:
    # 根据名字进行处理获得处理函数image_preprocessing_fn = preprocessing_factory.get_preprocessing(preprocessing_name, is_training=True)

    preprocessing_factory的文件夹内存放的都是图片处理的代码,在进入到get_preprocessing方法后,实际上会返回一个preprocessing_fn函数。
    该函数的作用实际上是返回ssd_vgg_preprocessing.preprocess_image处理后的结果。
    而ssd_vgg_preprocessing.preprocess_image实际上是preprocess_for_train处理后的结果。
    preprocessing_factory的get_preprocessing代码如下:
    def get_preprocessing(name, is_training=False):preprocessing_fn_map = {'ssd_300_vgg': ssd_vgg_preprocessing}if name not in preprocessing_fn_map:raise ValueError('Preprocessing name [%s] was not recognized' % name) def preprocessing_fn(image, labels, bboxes,out_shape, data_format='NHWC', **kwargs):# 这里实际上调用ssd_vgg_preprocessing.preprocess_imagereturn preprocessing_fn_map[name].preprocess_image(image, labels, bboxes, out_shape, data_format=data_format,is_training=is_training, **kwargs)return preprocessing_fn

    ssd_vgg_preprocessing的preprocess_image代码如下:
    def preprocess_image(image,labels,bboxes,out_shape,data_format,is_training=False,**kwargs):"""Pre-process an given image.Args:image: A `Tensor` representing an image of arbitrary size.output_height: 预处理后图像的高度。output_width: 预处理后图像的宽度。is_training: 如果我们正在对图像进行预处理以进行训练,则为true;否则为falseresize_side_min: 图像最小边的下界,用于保持方向的大小调整,如果“is_training”为“false”,则此值用于重新缩放resize_side_max: 图像最小边的上界,用于保持方向的大小调整如果“is_training”为“false”,则此值用于重新缩放the resize side is sampled from [resize_size_min, resize_size_max].Returns:预处理后的图片"""if is_training:return preprocess_for_train(image, labels, bboxes,out_shape=out_shape,data_format=data_format)else:return preprocess_for_eval(image, labels, bboxes,out_shape=out_shape,data_format=data_format,**kwargs)

    实际上最终是通过preprocess_for_train处理数据集。
    preprocess_for_train处理的过程是:
    1、改变数据类型。
    2、样本框扭曲。
    3、将图像大小调整为输出大小。
    4、随机水平翻转图像。
    5、随机扭曲颜色。有四种方法。
    6、图像减去平均值
    执行代码如下:
    def preprocess_for_train(image, labels, bboxes,out_shape, data_format='NHWC',scope='ssd_preprocessing_train'):"""Preprocesses the given image for training.Note that the actual resizing scale is sampled from[`resize_size_min`, `resize_size_max`].参数:image: 图片,任意size的图片.output_height: 处理后的图片高度.output_width: 处理后的图片宽度.resize_side_min: 图像最小边的下界,用于保方面调整大小resize_side_max: 图像最小边的上界,用于保方面调整大小Returns:处理过的图片"""fast_mode = Falsewith tf.name_scope(scope, 'ssd_preprocessing_train', [image, labels, bboxes]):if image.get_shape().ndims != 3:raise ValueError('Input must be of size [height, width, C>0]')# 改变图片的数据类型if image.dtype != tf.float32:image = tf.image.convert_image_dtype(image, dtype=tf.float32)# 样本框扭曲dst_image = imagedst_image, labels, bboxes, _ = \distorted_bounding_box_crop(image, labels, bboxes,min_object_covered=MIN_OBJECT_COVERED,aspect_ratio_range=CROP_RATIO_RANGE)# 将图像大小调整为输出大小。dst_image = tf_image.resize_image(dst_image, out_shape,method=tf.image.ResizeMethod.BILINEAR,align_corners=False)# 随机水平翻转图像.dst_image, bboxes = tf_image.random_flip_left_right(dst_image, bboxes)# 随机扭曲颜色。有四种方法.dst_image = apply_with_random_selector(dst_image,lambda x, ordering: distort_color(x, ordering, fast_mode),num_cases=4)# 图像减去平均值image = dst_image * 255.image = tf_image_whitened(image, [_R_MEAN, _G_MEAN, _B_MEAN])# 图像的类型if data_format == 'NCHW':image = tf.transpose(image, perm=(2, 0, 1))return image, labels, bboxes


    5、框的编码
    该部分利用如下代码调用框的编码代码:
    gclasses, glocalisations, gscores = ssd_net.bboxes_encode(glabels, gbboxes, ssd_anchors)

    实际上bboxes_encode方法中,调用的是ssd_common模块中的tf_ssd_bboxes_encode。
    def bboxes_encode(self, labels, bboxes, anchors,scope=None):"""进行编码操作"""return ssd_common.tf_ssd_bboxes_encode(labels, bboxes, anchors,self.params.num_classes,self.params.no_annotation_label,ignore_threshold=0.5,prior_scaling=self.params.prior_scaling,scope=scope)

    ssd_common.tf_ssd_bboxes_encode执行的代码是对特征层每一层进行编码操作。
    def tf_ssd_bboxes_encode(labels,bboxes,anchors,num_classes,no_annotation_label,ignore_threshold=0.5,prior_scaling=[0.1, 0.1, 0.2, 0.2],dtype=tf.float32,scope='ssd_bboxes_encode'):"""对每一个特征层进行解码"""with tf.name_scope(scope):target_labels = []target_localizations = []target_scores = []for i, anchors_layer in enumerate(anchors):with tf.name_scope('bboxes_encode_block_%i' % i):t_labels, t_loc, t_scores = \tf_ssd_bboxes_encode_layer(labels, bboxes, anchors_layer,num_classes, no_annotation_label,ignore_threshold,prior_scaling, dtype)target_labels.append(t_labels)target_localizations.append(t_loc)target_scores.append(t_scores)return target_labels, target_localizations, target_scores

    实际上具体解码的操作在函数tf_ssd_bboxes_encode_layer里,tf_ssd_bboxes_encode_layer解码的思路是:

    1、创建一系列变量用于存储编码结果。
    yref, xref, href, wref = anchors_layerymin = yref - href / 2.xmin = xref - wref / 2.ymax = yref + href / 2.xmax = xref + wref / 2.vol_anchors = (xmax - xmin) * (ymax - ymin)# 1、创建一系列变量存储编码结果# 每个特征层的shapeshape = (yref.shape[0], yref.shape[1], href.size)# 每个特征层特定点,特定框的labelfeat_labels = tf.zeros(shape, dtype=tf.int64)# (m, m, k)# 每个特征层特定点,特定框的得分feat_scores = tf.zeros(shape, dtype=dtype)# 每个特征层特定点,特定框的位置feat_ymin = tf.zeros(shape, dtype=dtype)feat_xmin = tf.zeros(shape, dtype=dtype)feat_ymax = tf.ones(shape, dtype=dtype)feat_xmax = tf.ones(shape, dtype=dtype)

    2、对所有的实际框都寻找其在特征层中对应的点与其对应的框,并将其标签找到。
    # 用于计算IOUdef jaccard_with_anchors(bbox):int_ymin = tf.maximum(ymin, bbox[0])# (m, m, k)int_xmin = tf.maximum(xmin, bbox[1])int_ymax = tf.minimum(ymax, bbox[2])int_xmax = tf.minimum(xmax, bbox[3])h = tf.maximum(int_ymax - int_ymin, 0.)w = tf.maximum(int_xmax - int_xmin, 0.)# Volumes.# 处理搜索框和bbox之间的联系inter_vol = h * w# 交集面积union_vol = vol_anchors - inter_vol \+ (bbox[2] - bbox[0]) * (bbox[3] - bbox[1])# 并集面积jaccard = tf.div(inter_vol, union_vol)# 交集/并集,即IOUreturn jaccard# (m, m, k)def condition(i,feat_labels, feat_scores,feat_ymin, feat_xmin, feat_ymax, feat_xmax):r = tf.less(i, tf.shape(labels))return r[0]# 该部分用于寻找实际中的框对应特征层的哪个框def body(i, feat_labels, feat_scores,feat_ymin, feat_xmin, feat_ymax, feat_xmax):"""更新功能标签、分数和bbox。-JacCard>0.5时赋值;"""# 取出第i个标签和第i个bboxeslabel = labels[i]# 当前图片上第i个对象的标签bbox = bboxes[i]# 当前图片上第i个对象的真实框bbox# 计算该box和所有anchor_box的IOUjaccard = jaccard_with_anchors(bbox)# 当前对象的bbox和当前层的搜索网格IOU# 所有高于历史的分的box被筛选mask = tf.greater(jaccard, feat_scores)# 掩码矩阵,IOU大于历史得分的为Truemask = tf.logical_and(mask, feat_scores > -0.5)imask = tf.cast(mask, tf.int64) #[1,0,1,1,0]fmask = tf.cast(mask, dtype)#[1.,0.,1.,0. ... ]# Update values using mask.# 保证feat_labels存储对应位置得分最大对象标签,feat_scores存储那个得分# (m, m, k) × 当前类别 + (1 - (m, m, k)) × (m, m, k)# 更新label记录,此时的imask已经保证了True位置当前对像得分高于之前的对象得分,其他位置值不变# 将所有被认为是label的框的值赋予feat_labelsfeat_labels = imask * label + (1 - imask) * feat_labels# 用于寻找最匹配的框feat_scores = tf.where(mask, jaccard, feat_scores)# 下面四个矩阵存储对应label的真实框坐标# (m, m, k) × 当前框坐标scalar + (1 - (m, m, k)) × (m, m, k)feat_ymin = fmask * bbox[0] + (1 - fmask) * feat_yminfeat_xmin = fmask * bbox[1] + (1 - fmask) * feat_xminfeat_ymax = fmask * bbox[2] + (1 - fmask) * feat_ymaxfeat_xmax = fmask * bbox[3] + (1 - fmask) * feat_xmaxreturn [i + 1, feat_labels, feat_scores,feat_ymin, feat_xmin, feat_ymax, feat_xmax]i = 0# 2、对所有的实际框都寻找其在特征层中对应的点与其对应的框,并将其标签找到。(i,feat_labels, feat_scores,feat_ymin, feat_xmin,feat_ymax, feat_xmax) = tf.while_loop(condition, body,[i,feat_labels, feat_scores,feat_ymin, feat_xmin,feat_ymax, feat_xmax])

    3、转化成ssd中网络的输出格式。
    # Transform to center / size.# 3、转化成ssd中网络的输出格式。feat_cy = (feat_ymax + feat_ymin) / 2.feat_cx = (feat_xmax + feat_xmin) / 2.feat_h = feat_ymax - feat_yminfeat_w = feat_xmax - feat_xmin# Encode features.# 利用公式进行计算# 以搜索网格中心点为参考,真实框中心的偏移,单位长度为网格hwfeat_cy = (feat_cy - yref) / href / prior_scaling[0]feat_cx = (feat_cx - xref) / wref / prior_scaling[1]# log((m, m, k) / (m, m, 1)) * 5# 真实框宽高/搜索网格宽高,取对feat_h = tf.log(feat_h / href) / prior_scaling[2]feat_w = tf.log(feat_w / wref) / prior_scaling[3]# Use SSD ordering: x / y / w / h instead of ours.(m, m, k, 4)feat_localizations = tf.stack([feat_cx, feat_cy, feat_w, feat_h], axis=-1)return feat_labels, feat_localizations, feat_scores

    真实情况下的标签和框在编码完成后,格式与经过网络预测出的标签与框相同,此时才可以计算loss进行对比。

    6、计算loss值
    通过第五步获得的框的编码后的scores和locations指的是数据集标注的结果,是真实情况。
    而计算loss值还需要预测情况。
    通过如下代码可以获得每个image的预测情况,将图片通过网络进行预测:
    # 设置SSD网络的参数arg_scope = ssd_net.arg_scope(weight_decay=FLAGS.weight_decay,data_format=DATA_FORMAT)# 将图片经过网络获得它们的框的位置和predictionwith slim.arg_scope(arg_scope):_, localisations, logits, _ = \ssd_net.net(b_image, is_training=True)

    再调用loss计算函数计算三个loss值,分别对应正样本,负样本,定位。
    # 计算loss值n_positives_loss,n_negative_loss,localization_loss = ssd_net.losses(logits, localisations,b_gclasses, b_glocalisations, b_gscores,match_threshold=FLAGS.match_threshold,negative_ratio=FLAGS.negative_ratio,alpha=FLAGS.loss_alpha,label_smoothing=FLAGS.label_smoothing)# 会得到三个loss值,分别对应正样本,负样本,定位loss_all = n_positives_loss + n_negative_loss + localization_loss

    ssd_net.losses中,具体通过如下方式进行损失值的计算。
    1、对所有的图片进行铺平,将其种类预测的转化为(?,num_classes),框预测的格式转化为(?,4),实际种类和实际得分的格式转化为(?),该步可以便于后面的比较与处理。最后将batch个图片平铺到同一表上。
    2、在gscores中得到满足正样本得分的pmask正样本,不满足正样本得分的为nmask负样本,因为使用的是gscores,我们可以知道正样本负样本分类是针对真实值的。
    3、将不满足正样本的位置设成对应prediction中背景的得分,其它设为1。
    4、找到n_neg个最不可能为背景的点(实际上它是背景,这样利用二者计算的loss就很大)
    5、分别计算正样本、负样本、框的位置的交叉熵。
    def ssd_losses(logits, localisations,gclasses, glocalisations, gscores,match_threshold=0.5,negative_ratio=3.,alpha=1.,label_smoothing=0.,device='/cpu:0',scope=None):with tf.name_scope(scope, 'ssd_losses'):lshape = tfe.get_shape(logits[0], 5)num_classes = lshape[-1]batch_size = lshape[0]# 铺平所有vectorflogits = []fgclasses = []fgscores = []flocalisations = []fglocalisations = []for i in range(len(logits)): # 按照图片循环flogits.append(tf.reshape(logits[i], [-1, num_classes]))fgclasses.append(tf.reshape(gclasses[i], [-1]))fgscores.append(tf.reshape(gscores[i], [-1]))flocalisations.append(tf.reshape(localisations[i], [-1, 4]))fglocalisations.append(tf.reshape(glocalisations[i], [-1, 4]))# 上一步所得的还存在batch个行里面,对应batch个图片# 这一步将batch个图片平铺到同一表上logits = tf.concat(flogits, axis=0)gclasses = tf.concat(fgclasses, axis=0)gscores = tf.concat(fgscores, axis=0)localisations = tf.concat(flocalisations, axis=0)glocalisations = tf.concat(fglocalisations, axis=0)dtype = logits.dtype# gscores中满足正样本得分的maskpmask = gscores > match_thresholdfpmask = tf.cast(pmask, dtype)no_classes = tf.cast(pmask, tf.int32)nmask = tf.logical_and(tf.logical_not(pmask),# IOU达不到阈值的类别搜索框位置记1gscores > -0.5)fnmask = tf.cast(nmask, dtype)n_positives = tf.reduce_sum(fpmask)# 将预测结果转化成比率predictions = slim.softmax(logits)nvalues = tf.where(nmask,predictions[:, 0],# 框内无物体标记为背景预测概率1. - fnmask)# 框内有物体位置标记为1nvalues_flat = tf.reshape(nvalues, [-1])# max_neg_entries为实际上负样本的个数max_neg_entries = tf.cast(tf.reduce_sum(fnmask), tf.int32)# n_neg为正样本的个数*3 + batch_size , 之所以+batchsize是因为每个图最少有一个负样本背景n_neg = tf.cast(negative_ratio * n_positives, tf.int32) + batch_sizen_neg = tf.minimum(n_neg, max_neg_entries)# 找到n_neg个最不可能为背景的点val, idxes = tf.nn.top_k(-nvalues_flat, k=n_neg)max_hard_pred = -val[-1]# 在nmask找到n_neg个最不可能为背景的点(实际上它是背景,这样二者的差就很大)nmask = tf.logical_and(nmask, nvalues < max_hard_pred)fnmask = tf.cast(nmask, dtype)n_negative = tf.reduce_sum(fnmask)# 交叉熵with tf.name_scope('cross_entropy_pos'):loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits,labels=gclasses)n_positives_loss = tf.div(tf.reduce_sum(loss * fpmask), n_positives + 0.1, name='value')with tf.name_scope('cross_entropy_neg'):loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits,labels=no_classes)n_negative_loss = tf.div(tf.reduce_sum(loss * fnmask), n_negative + 0.1, name='value')# Add localization loss: smooth L1, L2, ...with tf.name_scope('localization'):# Weights Tensor: positive mask + random negative.weights = tf.expand_dims(alpha * fpmask, axis=-1)loss = custom_layers.abs_smooth(localisations - glocalisations)localization_loss = tf.div(tf.reduce_sum(loss * weights), n_positives + 0.1, name='value')return n_positives_loss,n_negative_loss,localization_loss


    7、训练模型并保存
    ################################优化器设置##############################learning_rate = tf_utils.configure_learning_rate(FLAGS,dataset.num_samples,global_step)optimizer = tf_utils.configure_optimizer(FLAGS, learning_rate)train_op = slim.learning.create_train_op(loss_all, optimizer,summarize_gradients=True)#################################训练并保存模型###########################gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=FLAGS.gpu_memory_fraction)config = tf.ConfigProto(log_device_placement=False,gpu_options=gpu_options)saver = tf.train.Saver(max_to_keep=5,keep_checkpoint_every_n_hours=1.0,write_version=2,pad_step_number=False)slim.learning.train(train_op,# 优化器logdir=FLAGS.train_dir,# 保存模型的地址master='',is_chief=True,init_fn=tf_utils.get_init_fn(FLAGS), # 微调已存在模型时,初始化参数number_of_steps=FLAGS.max_number_of_steps,# 最大步数log_every_n_steps=FLAGS.log_every_n_steps,# 多少时间进行一次命令行输出save_summaries_secs=FLAGS.save_summaries_secs, # 进行一次summarysaver=saver,save_interval_secs=FLAGS.save_interval_secs, # 多长时间保存一次模型session_config=config,sync_optimizer=None)


    开始训练 在根目录下创建一个名为train.sh的文件。利用git上的bash执行命令行。
    python目标检测SSD算法训练部分源码详解
    文章图片

    首先转到文件夹中。
    cd D:/Collection/SSD-Retry
    再执行train.sh文件。
    bash train.sh
    train.sh的代码如下:
    DATASET_DIR=./tfrecordsTRAIN_DIR=./logs/CHECKPOINT_PATH=./checkpoints/ssd_300_vgg.ckptpython train_demo.py \--train_dir=${TRAIN_DIR} \--dataset_dir=${DATASET_DIR} \--dataset_name=pascalvoc_2012 \--dataset_split_name=train \--model_name=ssd_300_vgg \--checkpoint_path=${CHECKPOINT_PATH} \--save_summaries_secs=60 \--save_interval_secs=600 \--weight_decay=0.0005 \--optimizer=adam \--learning_rate=0.001 \--batch_size=8

    训练效果:
    python目标检测SSD算法训练部分源码详解
    文章图片

    以上就是python目标检测SSD算法训练部分源码详解的详细内容,更多关于python目标检测SSD算法训练的资料请关注脚本之家其它相关文章!

      推荐阅读