python目标检测SSD算法训练流程包括什么
Admin 2022-09-20 群英技术资讯 275 次浏览
这篇文章主要介绍“python目标检测SSD算法训练流程包括什么”，有一些人在python目标检测SSD算法训练流程包括什么的问题上存在疑惑，接下来小编就给大家来介绍一下相关的内容，希望对大家解答有帮助，有这个方面学习需要的朋友就继续往下看吧。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://www.jb51.net/article/246905.htm
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
下载链接 https://pan.baidu.com/s/1K4RAJvLj11blywuX2CrLSA
提取码：4wbi
模型训练的流程
本文使用的ssd_vgg_300的源码点击下载，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。
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_import
from __future__ import division
from __future__ import print_function
from datasets import cifar10
from datasets import imagenet
from datasets import pascalvoc_2007
from datasets import pascalvoc_2012
datasets_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_PATTERN
return 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reader
if 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='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 = None
if 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.TFRecordReader
decoder=decoder, # 解码结果
num_samples=split_to_sizes[split_name], # 17125
items_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_shape ssd_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_vgg
preprocessing_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_image
return 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false
resize_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 = False
with 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 = image
dst_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_layer
ymin = 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shape
shape = (yref.shape[0], yref.shape[1], href.size)
# 每个特征层特定点，特定框的label
feat_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IOU
def 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IOU
return 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bboxes
label = 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IOU
jaccard = 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True
mask = 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_labels
feat_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_ymin
feat_xmin = fmask * bbox[1] + (1 - fmask) * feat_xmin
feat_ymax = fmask * bbox[2] + (1 - fmask) * feat_ymax
feat_xmax = fmask * bbox[3] + (1 - fmask) * feat_xmax
return [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_ymin
feat_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hw
feat_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prediction
with 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vector
flogits = []
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mask
pmask = gscores > match_threshold
fpmask = 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1
gscores > -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1
nvalues_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_size
n_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summary
saver=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。
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=./tfrecords
TRAIN_DIR=./logs/
CHECKPOINT_PATH=./checkpoints/ssd_300_vgg.ckpt
python 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：
到此这篇关于“python目标检测SSD算法训练流程包括什么”的文章就介绍到这了,更多相关内容请搜索群英网络以前的文章或继续浏览下面的相关文章，希望大家以后多多支持群英网络！
标签：
python
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。
猜你喜欢
-
Python中调用本地字体怎样做，有何好处
这篇文章主要为大家介绍在通过Python绘制图画时如何调用本地的字体，从而解决中文乱码的问题。感兴趣的小伙伴快来跟随小编学习学习吧
-
Python操作符重载功能是怎样，能做什么
可以根据所使用的操作数更改Python中运算符的含义。这种做法被称为运算符重载。Python操作系统适用于内置类。 但同一运算符的行为在不同的类型有所不同。 例如，+运算符将对两个数字执行算术加法，合并两个列表并连接两个字符串。
-
YOLO与SSD存在哪一些差别呢？
这篇文章主要为大家介绍了python目标检测yolo1 yolo2 yolo3和SSD网络结构对比，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
-
常见的python文件的后缀名有哪些？
常见的python文件的后缀名有哪些？一般我们比较常见的Python文件后缀有：py、pyc 、pyo、 pyi、pyw、 pyd、 pyx 等等。文本就给大家简单介绍下这些python文件的后缀名，感兴趣的朋友就继续往下看吧。
-
pandas中重置索引怎样做？方法是什么？
在pandas中，当经常对数据进行处理，可能会造成数据索引顺序混乱，那么也就会影响数据读取、插入等等操作，因此重置索引的操作就很重要，那么pandas中重置索引怎样做？接下来给大家分享几个方法，大家可以参考。
推荐内容
成为群英会员,开启智能安全云计算之旅
立即注册
专业资深工程师驻守
7X24小时快速响应
一站式无忧技术支持
免费备案服务
Copyright © QY Network Company Ltd. All Rights Reserved. 2003-2020 群英 版权所有
增值电信经营许可证 : B1.B2-20140078 粤ICP备09006778号 域名注册商资质 粤 D3.1-20240008
