实战 | 源码入门之Faster RCNN

前言

学习深度学习和计算机视觉，特别是目标检测方向的学习者，一定听说过Faster Rcnn；在目标检测领域，Faster Rcnn表现出了极强的生命力，被大量的学习者学习，研究和工程应用。网上有很多版本的Faster RCNN的源码，但是很多版本代码太过于庞大，对新入门的学习者学习起来很不友好，在网上苦苦寻找了一番后终于找到了一个适合源码学习的Faster Rcnn的pytorch版本代码。

根据该版本的作者讲该代码除去注释只有两千行左右，并且经过小编的一番学习之后，发现该版本的代码真的是非常的精简干练，读起来“朗朗上口”，并且深刻的感觉到作者代码功底之深厚。在此先附上源码的地址(https://github.com/chenyuntc/simple-faster-rcnn-pytorch) ,并对源码作者（陈云）表示由衷的感谢和深深地敬意。

本文章主要的目的是对该版本代码的主要框架进行梳理，希望能够对一些想学习源码的读者有一定的帮助。

本文作者：白俊杰

代码的主要文件

-data文件中主要是文件的与dataset相关的文件

-misc中有下载caffe版本预训练模型的文件，可以不看

-model文件中主要是与构建Faster Rcnn网络模型有关的文件

-utils中主要是一些辅助可视化和验证的文件

-train.py是整个程序的运行文件，下面有一部分会做介绍

-trainer.py文件主要是用于训练，模型的损失函数的计算都在这个文件中

train

先来看一下train.py里的主要内容：

def train(train(**kwargs)):    #训练网络的主要内容（位于train.py文件中）
  opt._parse(kwargs)
  dataset = Dataset(opt)      #读取用于训练的图片及进行相关的预处理（在下文的dataset部分做详细介绍）
  dataloader = data_.DataLoader(dataset, \
                                batch_size=1, \
                                shuffle=True, \
                                # pin_memory=True,
                                num_workers=opt.num_workers)
  testset = TestDataset(opt)  #读取用于测试的图片及进行相关的预处理
  test_dataloader = data_.DataLoader(testset,
                                     batch_size=1,
                                     num_workers=opt.test_num_workers,
                                     shuffle=False, \
                                     pin_memory=True
                                     )
  faster_rcnn = FasterRCNNVGG16()    #网络结构，包含主要Extractor,RPN和RoIHead三部分结构。
  trainer = FasterRCNNTrainer(faster_rcnn).cuda()  #主要包含模型的训练过程的

  for epoch in range(opt.epoch):#开始迭代训练
        trainer.reset_meters()
        for ii, (img, bbox_, label_, scale) in tqdm(enumerate(dataloader)):
            scale = at.scalar(scale)
            img, bbox, label = img.cuda().float(), bbox_.cuda(), label_.cuda()
            trainer.train_step(img, bbox, label, scale)  #执行训练

从train.py中的主要函数可以看出，主要的步骤涉及训练数据和测试数据的预处理，网络模型的构建（Faster RCNN），然后就是迭代训练，这也是通用的神经网络搭建和训练的过程。在Faster Rcnn网络模型中主要包含Extractor、RPN和RoIhead三部分。网络中Extractor主要是利用CNN进行特征提取，网络采用的VGG16；RPN是候选区网络，为RoIHead模块提供可能存在目标的候选区域（rois）；RoIHead主要负责rois的分类和微调。整体的框架图如下图所示：

图片来源于陈云的知乎

Dataset

在本版本的代码中读取的数据格式为VOC，Dataset和TestDataset类分别负责训练数据和测试数据的读取及预处理。在预处理部分主要的操作就是resize图像的大小、像素值的处理以及图像的随机翻转。主要的内容如下：

class Dataset:     #训练数据预处理（位于data/dataset.py文件中）
    def __init__(self, opt):
        self.opt = opt
        self.db = VOCBboxDataset(opt.voc_data_dir)  #读取VOC格式的数据，包括图像和label（.xml）
        self.tsf = Transform(opt.min_size, opt.max_size) #resize图像的大小，在代码中默认长边小于等于1000，\
        #短边小于等于600，两个边至少有一个等于其值，然后对图像像素值减去均值,使得像素均值为零，并对图像进行随机翻转（具体细节代码见**）

    def __getitem__(self, idx):
        ori_img, bbox, label, difficult = self.db.get_example(idx)
        img, bbox, label, scale = self.tsf((ori_img, bbox, label))
        return img.copy(), bbox.copy(), label.copy(), scale

    def __len__(self):
        return len(self.db)
class TestDataset:
    pass          #与class Dataset相似，没有图像翻转过程（具体内容见data/dataset.py文件中TestDataset）

FasterRCNNVGG16

下面主要介绍Extractor、RPN和RoIHead三部分结构

Extractor

extractor, classifier = decom_vgg16() #该行代码位于model/faster_rcnn_vgg16.py中的FasterRCNNVGG16类中

Extractor部分主要使用的VGG16的网络结构，同时使用预训练好的模型提取图片的特征。论文中主要使用的是Caffe的预训练模型，根据代码的作者讲该版本的预训练模型效果比较好。

为了节约显存，作者将前四层卷积层的学习率设置为0，Conv5_3的输入作为图片的特征输入到RPN网络中。根据网络结构，Conv5_3部分的感受野为16，也就是相较于输入的图片大小，feature map的尺寸为(C,H/16,W/16).该部分网络结构图如下所示：

具体的decom_vgg16()代码如下：

def decom_vgg16():    #该段落代码位于model/faster_rcnn_vgg16.py中
    # the 30th layer of features is relu of conv5_3
    if opt.caffe_pretrain:  #使用caffe版本的预训练模型
        model = vgg16(pretrained=False)  #使用pytorch中自带的vgg16模型
        if not opt.load_path:
            model.load_state_dict(t.load(opt.caffe_pretrain_path)) #加载caffe版本的预训练模型，需要自己下载。
    else:
        model = vgg16(not opt.load_path)

    features = list(model.features)[:30]    #提取特征的网络
    classifier = model.classifier          #classifier在RoIhead部分使用

    classifier = list(classifier)
    del classifier[6]
    if not opt.use_drop:                #是否使用dropout
        del classifier[5]
        del classifier[2]
    classifier = nn.Sequential(*classifier)  #分类器网络

    # 冻结前四层卷积层
    for layer in features[:10]:
        for p in layer.parameters():
            p.requires_grad = False

    return nn.Sequential(*features), classifier

RPN

Faster RCNN中最突出的贡献就是提出了Region Proposal Network(RPN),将候选区域提取的时间开销几乎降为0。该模块的主要作用提供可能存在目标的候选区域rois。模块结构图如下所示：

图片来源于陈云的知乎

class RegionProposalNetwork(nn.Module):   #代码中实现RPN的类（代码位于model/region_proposal_network.py中）

  def __init__():#省略，具体看先关文件
  # ......
  def forward(self, x, img_size, scale=1.):
      #x: Extractor模块处理后的特征图，形状为(N, C, H, W)
      #img_size : 输入图像的大小
      #scale : 网络下采样的尺寸大小
      n, _, hh, ww = x.shape
      anchor = _enumerate_shifted_anchor(   #枚举所有anchor
          np.array(self.anchor_base),
          self.feat_stride, hh, ww)

      n_anchor = anchor.shape[0] // (hh * ww)  #一个anchor产生的锚点框
      h = F.relu(self.conv1(x))  #激活函数

      rpn_locs = self.loc(h)     #卷积产生每个锚点框的位置
      rpn_locs = rpn_locs.permute(0, 2, 3, 1).contiguous().view(n, -1, 4)
      rpn_scores = self.score(h)  #卷积产生每个锚点框的评分
      rpn_scores = rpn_scores.permute(0, 2, 3, 1).contiguous()
      rpn_softmax_scores = F.softmax(rpn_scores.view(n, hh, ww, n_anchor, 2), dim=4) #softmax操作
      rpn_fg_scores = rpn_softmax_scores[:, :, :, :, 1].contiguous()
      rpn_fg_scores = rpn_fg_scores.view(n, -1)
      rpn_scores = rpn_scores.view(n, -1, 2)

      rois = list()
      roi_indices = list()
      for i in range(n):
          roi = self.proposal_layer(            #根据每个锚点的评分选出对应的候选区域
              rpn_locs[i].cpu().data.numpy(),
              rpn_fg_scores[i].cpu().data.numpy(),
              anchor, img_size,
              scale=scale)
          batch_index = i * np.ones((len(roi),), dtype=np.int32)
          rois.append(roi)
          roi_indices.append(batch_index)

      rois = np.concatenate(rois, axis=0)
      roi_indices = np.concatenate(roi_indices, axis=0)
      return rpn_locs, rpn_scores, rois, roi_indices, anchor

RoIHead

RoIhead主要任务是对RPN网络选出的候选框进行分类和回归，在RoIhead中作者提出了RolPooling方法将不同尺度的候选区域全部pooling到一个尺度上。模块结构图如下所示：

图片来源于陈云的知乎

class VGG16RoIHead(nn.Module):                         #代码位于model/faster_rcnn_vgg16.py中
    def __init__(self, n_class, roi_size, spatial_scale,
                 classifier):
        # n_class includes the background
        super(VGG16RoIHead, self).__init__()

        self.classifier = classifier                   #vgg16的两层全连接，可见文中的Extractor部分VGG16的结构图
        self.cls_loc = nn.Linear(4096, n_class * 4)    #输出目标区域位置
        self.score = nn.Linear(4096, n_class)          #输出预测类别

        normal_init(self.cls_loc, 0, 0.001)            #正则化
        normal_init(self.score, 0, 0.01)

        self.n_class = n_class                         #类别
        self.roi_size = roi_size                       #roi大小
        self.spatial_scale = spatial_scale             #空间尺度
        self.roi = RoIPooling2D(self.roi_size, self.roi_size, self.spatial_scale)

    def forward(self, x, rois, roi_indices):
        #......省略
        pool = self.roi(x, indices_and_rois)     #RoI池化部分
        pool = pool.view(pool.size(0), -1)       #降维
        fc7 = self.classifier(pool)              #VGG16的两层全连接
        roi_cls_locs = self.cls_loc(fc7)         #预测出位置
        roi_scores = self.score(fc7)             #分类
        return roi_cls_locs, roi_scores

运行代码

整体来说该版本的代码环境相当简单，配置起来相当容易，没有什么坑，认真阅读作者的readme就好。在utils文件中有一个config.py文件，在里边可以修改文件读取的路径，学习率等参数，自己运行时根据自己的情况进行修改即可。小编运行自己的数据（非VOC2007）结果如下图：

总结

本篇文章主要的目的是推荐一个适合源码学习的Faster rcnn版本给大家，并对代码框架做了初步的介绍，希望对大家的源码学习有一定的帮助，由于整个算法实现的代码较为复杂，且细节比较多，很难通过一篇文章进行详细的说明，如果大家对本版本的代码感兴趣，可以自己阅读源码学习。在学习源码的时候我个人是有很多感想的，作为一个小白，通过源码的学习真的学习到了很多，之前论文阅读过几遍，别的版本的代码也拿来训练过数据，但是读了这个的源码，又如发现了新大陆，很多算法的细节和精髓才算有了深刻的理解，真的是纸上得来终觉浅，绝知此事要coding。除了算法本身，在一些代码的实现上也有很多的学习，真的感受到代码作者的功力深厚，再次对作者表示深深地敬意.最后留个问题，在阅读源码的时候，发现作者使用了visdom进行可视化，如运行的截图，小编还知道pytorch中一个可视化工具tensorboardX，但都不是很熟悉，还请知情人士在下方留言，详细的讲解一下两种可视化工具的优劣。由于小编是一个刚入门（入坑）的学习者，文章中的不当之处还请大家谅解和提出，很希望能与大家一起讨论学习。

最后再次放上源码链接：https://github.com/chenyuntc/simple-faster-rcnn-pytorch

参考：

https://zhuanlan.zhihu.com/p/32404424

https://www.cnblogs.com/kerwins-AC/p/9734381.html

推荐阅读

实战 | 相机标定
实战 | 图像矫正技术
实战 | Unity下ARKit与OpenCV的结晶
实战 | 基于SegNet和U-Net的遥感图像语义分割
实战 | 文字定位与切割
我用MATLAB撸了一个2D LiDAR SLAM
原来CNN是这样提取图像特征的。。。
最佳机器/深度学习课程 Top 5 ，吴恩达占了俩
机器学习必学十大算法
语义分割如何「拉关系」?
YOLO简史
这可能是「多模态机器学习」最通俗易懂的介绍
算力限制场景下的目标检测实战浅谈
开源 | 用深度学习让你的照片变得美丽
面试时让你手推公式不在害怕 | 线性回归
面试时让你手推公式不在害怕 | 梯度下降
深度学习在计算机视觉各项任务中的应用
干货 | 深入理解深度学习中的激活函数