前言：之前幾篇講了cfg文件的理解、數據集的構建、數據加載機制和超參數進化機制，本文將講解YOLOv3如何從cfg文件構造模型。本文涉及到一個比較有用的部分就是bias的設置，可以提升mAP、F1、P、R等指標，還能讓訓練過程更加平滑。
1. cfg文件
在YOLOv3中，修改網絡結構很容易，只需要修改cfg文件即可。目前，cfg文件支持convolutional, maxpool, unsample, route, shortcut, yolo這幾個層。
而且作者也提供了多個cfg文件來進行網絡構建，比如：yolov3.cfg、yolov3-tiny.cfg、yolov3-spp.cfg、csresnext50-panet-spp.cfg文件（提供的yolov3-spp-pan-scale.cfg文件，在代碼級別還沒有提供支持）。
如果想要添加自定義的模塊也很方便，比如說注意力機制模塊、空洞卷積等，都可以簡單地得到添加或者修改。
為了更加方便的理解cfg文件網絡是如何構建的，在這里推薦一個Github上的網絡結構可視化軟件：Netron，下圖是可視化yolov3-tiny的結果：
2. 網絡模型構建
從train.py文件入手，其中涉及的網絡構建的代碼為：
# Initialize model
model = Darknet(cfg, arc=opt.arc).to(device)
然后沿着Darknet實現進行講解：
class Darknet(nn.Module):
# YOLOv3 object detection model
def __init__(self, cfg, img_size=(416, 416), arc='default'):
super(Darknet, self).__init__()
self.module_defs = parse_model_cfg(cfg)
self.module_list, self.routs = create_modules(self.module_defs, img_size, arc)
self.yolo_layers = get_yolo_layers(self)
# Darknet Header
self.version = np.array([0, 2, 5], dtype=np.int32)
# (int32) version info: major, minor, revision
self.seen = np.array([0], dtype=np.int64)
# (int64) number of images seen during training
以上文件中，比較關鍵的就是成員函變量module_defs、module_list、routs、yolo_layers四個成員函數，先對這幾個參數的意義進行解釋：
2.1 module_defs
調用了parse_model_cfg函數，得到了module_defs對象。實際上該函數是通過解析cfg文件，得到一個list，list中包含多個字典，每個字典保存的內容就是一個模塊內容，比如說：
[convolutional]
batch_normalize=1
filters=128
size=3
stride=2
pad=1
activation=leaky
函數代碼如下：
def parse_model_cfg(path):
# path參數為: cfg/yolov3-tiny.cfg
if not path.endswith('.cfg'):
path += '.cfg'
if not os.path.exists(path) and os.path.exists('cfg' + os.sep + path):
path = 'cfg' + os.sep + path
with open(path, 'r') as f:
lines = f.read().split('\n')
# 去除以#開頭的，屬於注釋部分的內容
lines = [x for x in lines if x and not x.startswith('#')]
lines = [x.rstrip().lstrip() for x in lines]
mdefs = [] # 模塊的定義
for line in lines:
if line.startswith('['): # 標志着一個模塊的開始
'''
比如:
[shortcut]
from=-3
activation=linear
'''
mdefs.append({})
mdefs[-1]['type'] = line[1:-1].rstrip()
if mdefs[-1]['type'] == 'convolutional':
mdefs[-1]['batch_normalize'] = 0
# pre-populate with zeros (may be overwritten later)
else:
# 將鍵和鍵值放入字典
key, val = line.split("=")
key = key.rstrip()
if 'anchors' in key:
mdefs[-1][key] = np.array([float(x) for x in val.split(',')]).reshape((-1, 2)) # np anchors
else:
mdefs[-1][key] = val.strip()
# 支持的參數類型
supported = ['type', 'batch_normalize', 'filters', 'size',\
'stride', 'pad', 'activation', 'layers', 'groups',\
'from', 'mask', 'anchors', 'classes', 'num', 'jitter', \
'ignore_thresh', 'truth_thresh', 'random',\
'stride_x', 'stride_y']
# 判斷所有參數中是否有不符合要求的key
f = []
for x in mdefs[1:]:
[f.append(k) for k in x if k not in f]
u = [x for x in f if x not in supported] # unsupported fields
assert not any(u), "Unsupported fields %s in %s. See https://github.com/ultralytics/yolov3/issues/631" % (u, path)
return mdefs
返回的內容通過debug模式進行查看：
其中需要關注的就是anchor的組織：
可以看出，anchor是按照每兩個一對進行組織的，與我們的理解一致。
2.2 module_list&routs
這個部分是本文的核心，也是理解模型構建的關鍵。
在pytorch中，構建模型常見的有通過Sequential或者ModuleList進行構建。
通過Sequential構建
model=nn.Sequential()
model.add_module('conv',nn.Conv2d(3,3,3))
model.add_module('batchnorm',nn.BatchNorm2d(3))
model.add_module('activation_layer',nn.ReLU())
或者
model=nn.Sequential(
nn.Conv2d(3,3,3),
nn.BatchNorm2d(3),
nn.ReLU()
)
或者
from collections import OrderedDict
model=nn.Sequential(OrderedDict([
('conv',nn.Conv2d(3,3,3)),
('batchnorm',nn.BatchNorm2d(3)),
('activation_layer',nn.ReLU())
]))
通過sequential構建的模塊內部實現了forward函數，可以直接傳入參數，進行調用。
通過ModuleList構建
model=nn.ModuleList([nn.Linear(3,4),
nn.ReLU(),
nn.Linear(4,2)])
ModuleList類似list，內部沒有實現forward函數，使用的時候需要構建forward函數,構建自己模型常用ModuleList函數建立子模型,建立forward函數實現前向傳播。
在YOLOv3中，靈活地結合了兩種使用方式，通過解析以上得到的module_defs，進行構建一個ModuleList，然后再通過構建forward函數進行前向傳播即可。
具體代碼如下：
def create_modules(module_defs, img_size, arc):
# 通過module_defs進行構建模型
hyperparams = module_defs.pop(0)
output_filters = [int(hyperparams['channels'])]
module_list = nn.ModuleList()
routs = [] # 存儲了所有的層，在route、shortcut會使用到。
yolo_index = -1
for i, mdef in enumerate(module_defs):
modules = nn.Sequential()
'''
通過type字樣不同的類型，來進行模型構建
'''
if mdef['type'] == 'convolutional':
bn = int(mdef['batch_normalize'])
filters = int(mdef['filters'])
size = int(mdef['size'])
stride = int(mdef['stride']) if 'stride' in mdef else (int(
mdef['stride_y']), int(mdef['stride_x']))
pad = (size - 1) // 2 if int(mdef['pad']) else 0
modules.add_module(
'Conv2d',
nn.Conv2d(
in_channels=output_filters[-1],
out_channels=filters,
kernel_size=size,
stride=stride,
padding=pad,
groups=int(mdef['groups']) if 'groups' in mdef else 1,
bias=not bn))
if bn:
modules.add_module('BatchNorm2d',
nn.BatchNorm2d(filters, momentum=0.1))
if mdef['activation'] == 'leaky': # TODO: activation study https://github.com/ultralytics/yolov3/issues/441
modules.add_module('activation', nn.LeakyReLU(0.1,
inplace=True))
elif mdef['activation'] == 'swish':
modules.add_module('activation', Swish())
# 在此處可以添加新的激活函數
elif mdef['type'] == 'maxpool':
# 最大池化操作
size = int(mdef['size'])
stride = int(mdef['stride'])
maxpool = nn.MaxPool2d(kernel_size=size,
stride=stride,
padding=int((size - 1) // 2))
if size == 2 and stride == 1: # yolov3-tiny
modules.add_module('ZeroPad2d', nn.ZeroPad2d((0, 1, 0, 1)))
modules.add_module('MaxPool2d', maxpool)
else:
modules = maxpool
elif mdef['type'] == 'upsample':
# 通過近鄰插值完成上采樣
modules = nn.Upsample(scale_factor=int(mdef['stride']),
mode='nearest')
elif mdef['type'] == 'route':
# nn.Sequential() placeholder for 'route' layer
layers = [int(x) for x in mdef['layers'].split(',')]
filters = sum(
[output_filters[i + 1 if i > 0 else i] for i in layers])
# extend表示添加一系列對象
routs.extend([l if l > 0 else l + i for l in layers])
elif mdef['type'] == 'shortcut':
# nn.Sequential() placeholder for 'shortcut' layer
filters = output_filters[int(mdef['from'])]
layer = int(mdef['from'])
routs.extend([i + layer if layer < 0 else layer])
elif mdef['type'] == 'yolo':
yolo_index += 1
mask = [int(x) for x in mdef['mask'].split(',')] # anchor mask
modules = YOLOLayer(
anchors=mdef['anchors'][mask], # anchor list
nc=int(mdef['classes']), # number of classes
img_size=img_size, # (416, 416)
yolo_index=yolo_index, # 0, 1 or 2
arc=arc) # yolo architecture
# 這是在focal loss文章中提到的為卷積層添加bias
# 主要用於解決樣本不平衡問題
# (論文地址 https://arxiv.org/pdf/1708.02002.pdf section 3.3)
# 具體講解見下方
try:
if arc == 'defaultpw' or arc == 'Fdefaultpw':
# default with positive weights
b = [-5.0, -5.0] # obj, cls
elif arc == 'default':
# default no pw (40 cls, 80 obj)
b = [-5.0, -5.0]
elif arc == 'uBCE':
# unified BCE (80 classes)
b = [0, -9.0]
elif arc == 'uCE':
# unified CE (1 background + 80 classes)
b = [10, -0.1]
elif arc == 'Fdefault':
# Focal default no pw (28 cls, 21 obj, no pw)
b = [-2.1, -1.8]
elif arc == 'uFBCE' or arc == 'uFBCEpw':
# unified FocalBCE (5120 obj, 80 classes)
b = [0, -6.5]
elif arc == 'uFCE':
# unified FocalCE (64 cls, 1 background + 80 classes)
b = [7.7, -1.1]
bias = module_list[-1][0].bias.view(len(mask), -1)
# 255 to 3x85
bias[:, 4] += b[0] - bias[:, 4].mean() # obj
bias[:, 5:] += b[1] - bias[:, 5:].mean() # cls
# 將新的偏移量賦值回模型中
module_list[-1][0].bias = torch.nn.Parameter(bias.view(-1))
except:
print('WARNING: smart bias initialization failure.')
else:
print('Warning: Unrecognized Layer Type: ' + mdef['type'])
# 將module內容保存在module_list中。
module_list.append(modules)
# 保存所有的filter個數
output_filters.append(filters)
return module_list, routs
bias部分講解
其中在YOLO Layer部分涉及到一個初始化的trick，來自Focal Loss中關於模型初始化的討論，具體內容請閱讀論文，https://arxiv.org/pdf/1708.02002.pdf 的第3.3節。
這里涉及到一個非常insight的點，筆者與BBuf討論了很長時間，才理解這樣做的原因。
我們在第一篇中介紹了，YOLO層前一個卷積的filter個數計算公式如下：
5代表x,y,w,h, score，score代表該格子中是否存在目標，3代表這個格子中會分配3個anchor進行匹配。在YOLOLayer中的forward函數中，有以下代碼，需要通過sigmoid激活函數：
if 'default' in self.arc: # seperate obj and cls
torch.sigmoid_(io[..., 4])
elif 'BCE' in self.arc: # unified BCE (80 classes)
torch.sigmoid_(io[..., 5:])
io[..., 4] = 1
elif 'CE' in self.arc: # unified CE (1 background + 80 classes)
io[..., 4:] = F.softmax(io[..., 4:], dim=4)
io[..., 4] = 1
可以觀察到，Sigmoid梯度是有限的，大致在[-10,10]之間。
在pytorch中的卷積層默認的初始化是以0為中心點的正態分布，這樣進行的初始化會導致很多gird中大約一半得到了激活，在計算loss的時候就會計算上所有的激活的點對應的坐標信息，這樣計算loss就會變得很大。
根據這個現象，作者選擇在YOLOLayer的前一個卷積層添加bias，來避免這種情況，實際操作就是在原有的bias上減去5，這樣通過卷積得到的數值就不會被激活，可以防止在初始階段的第一個batch中就進行過擬合。通過以上操作，能夠讓所有的神經元在前幾個batch中輸出空的檢測。
經過作者的實驗，通過使用bias的trick，可以提升mAP、F1、P、R等指標，還能讓訓練過程更加平滑。
2.3 yolo_layers
代碼如下：
def get_yolo_layers(model):
return [i for i, x in enumerate(model.module_defs) if x['type'] == 'yolo']
# [82, 94, 106] for yolov3
yolo layer的獲取是通過解析module_defs這個存儲cfg文件中的信息的變量得到的。以yolov3.cfg為例，最終返回的是yolo層在整個module的序號。比如：第83,94,106個層是YOLO層。
3. forward函數
在YOLO中，如果能理解前向傳播的過程，那整個網絡的構建也就很清楚明了了。
def forward(self, x, var=None):
img_size = x.shape[-2:]
layer_outputs = []
output = []
for i, (mdef,
module) in enumerate(zip(self.module_defs, self.module_list)):
mtype = mdef['type']
if mtype in ['convolutional', 'upsample', 'maxpool']:
# 卷積層，上采樣，池化層只需要經過即可
x = module(x)
elif mtype == 'route':
# route操作就是將幾個層的內容拼接起來，具體可以看cfg文件解析
layers = [int(x) for x in mdef['layers'].split(',')]
if len(layers) == 1:
x = layer_outputs[layers[0]]
else:
try:
x = torch.cat([layer_outputs[i] for i in layers], 1)
except:
# apply stride 2 for darknet reorg layer
layer_outputs[layers[1]] = F.interpolate(
layer_outputs[layers[1]], scale_factor=[0.5, 0.5])
x = torch.cat([layer_outputs[i] for i in layers], 1)
elif mtype == 'shortcut':
x = x + layer_outputs[int(mdef['from'])]
elif mtype == 'yolo':
output.append(module(x, img_size))
#記錄route對應的層
layer_outputs.append(x if i in self.routs else [])
if self.training:
# 如果訓練，直接輸出YOLO要求的Tensor
# 3*(class+5)
return output
elif ONNX_EXPORT:# 這個是對應的onnx導出的內容
x = [torch.cat(x, 0) for x in zip(*output)]
return x[0], torch.cat(x[1:3], 1) # scores, boxes: 3780x80, 3780x4
else:
# 對應測試階段
io, p = list(zip(*output)) # inference output, training output
return torch.cat(io, 1), p
forward的過程也比較簡單，通過得到的module_defs和module_list變量，通過for循環將整個module_list中的內容進行一遍串聯，需要得到的最終結果是YOLO層的輸出。（ps：下一篇文章再進行YOLOLayer的代碼解析）
參考資料
sequential用法https://blog.csdn.net/happyday_d/article/details/85629119