基于keras-yolo3，原理及代码细节的理解

本文GitHub 源码：https://github.com/qqwweee/keras-yolo3

yolov3论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf

yolov3官网：https://pjreddie.com/darknet/yolo/

最近用YOLOV3做项目，看了好多资料，记录一下YOLOv3中各行代码的意思，以便以后回顾查询。

YOLO，即 You Only Look Once 的缩写，是一个基于卷积神经网络（CNN）的 物体检测算法 。

yolo设计理念

yolo算法整体来说是采用CNN对目标进行end-to-end的检测。流程如图一所示

具体来说（基于YOLOV3）

1：输入一张任意大小图片，保持长宽比不变的情况下，缩放至 w 或 h 达到416，再覆盖在416416的新图上，作为网络的输入。即网络的输入是一张416416，3通道的RGB图。

2：运行网络。YOLO的CNN网络把图片分成 SS 个网格（yolov3多尺度预测，输出3层，每层 S * S个网格，分别为 1313 ，26 26 ，5252），然后每个单元格负责去检测那些中心点落在该格子内的目标，如图二所示。 每个单元格需要预测 3*（4+1+B）个值。如果将输入图片划分为 SS 网格，那么每层最终预测值为 SS3(4+1+B) 大小的张量。 B：类别数（coco集为80类），即B=80. 3 为每层anchorbox数量，4 为边界框大小和位置（x , y , w , h ）1 为置信度。

3: 通过NMS，非极大值抑制，筛选出框boxes,输出框class_boxes和置信度class_box_scores，再生成类别信息classes，生成最终的检测数据框，并返回

YOLOV3网络结构：

多尺度：

yolov3采用多尺度预测。【（1313）（2626）（52*52）】

•小尺度：（13*13的feature map）

网络接收一张（416416）的图，经过5个步长为2的卷积来进行降采样（416 / 2ˆ5 = 13）.输出（1313）。
•中尺度 ： （26*26的feature map）

从小尺度中的倒数第二层的卷积层上采样(x2，up sampling)再与最后一个13x13大小的特征图相加，输出（2626）。
•大尺度： （5252的feature map）

操作同中尺度输出（52*52）
好处：让网络同时学习到深层和浅层的特征，通过叠加浅层特征图相邻特征到不同通道（而非空间位置），类似于Resnet中的identity mapping。这个方法把26x26x512的特征图叠加成13x13x2048的特征图，与原生的深层特征图相连接，使模型有了细粒度特征,增加对小目标的识别能力。

anchor box:

yolov3 anchor box一共有9个，由k-means聚类得到。在COCO数据集上，9个聚类是：（1013）;（1630）;（3323）;（3061）;（6245）; （59119）; （11690）; （156198）; （373*326）。

不同尺寸特征图对应不同大小的先验框。

1313feature map对应【（11690），（156198），（373326）】
2626feature map对应【（3061），（6245），（59119）】
5252feature map对应【（1013），（1630），（3323）】
原因：特征图越大，感受野越小。对小目标越敏感，所以选用小的anchor box。

      特征图越小，感受野越大。对大目标越敏感，所以选用大的anchor box。

边框预测：

预测tx ty tw th

对tx和ty进行sigmoid，并加上对应的offset（下图Cx, Cy）
对th和tw进行exp，并乘以对应的锚点值
对tx,ty,th,tw乘以对应的步幅，即：416/13, 416 ⁄ 26, 416 ⁄ 52
最后，使用sigmoid对Objectness和Classes confidence进行sigmoid得到0~1的概率，之所以用sigmoid取代之前版本的softmax，原因是softmax会扩大最大类别概率值而抑制其他类别概率值

(tx,ty) :目标中心点相对于该点所在网格左上角的偏移量，经过sigmoid归一化。即值属于【0,1】。如图约（0.3 , 0.4）

(cx,cy):该点所在网格的左上角距离最左上角相差的格子数。如图（1,1）

(pw,ph):anchor box 的边长

(tw,th):预测边框的宽和高

PS：最终得到的边框坐标值是bx,by,bw,bh.而网络学习目标是tx,ty,tw,th

损失函数LOSS

YOLO V3把YOLOV2中的Softmax loss变成Logistic loss

代码解读：源码 检测部分

Usage

Git Clone https://github.com/qqwweee/keras-yolo3
从YOLO website 下载yolov3 weights
把darknet版本的yolo model 转换为 Keras model
运行 YOLO dection

YOLO类的初始化参数：
class YOLO(object):
_defaults = {
“model_path”: ‘model_data/yolo.h5’, #训练好的模型
“anchors_path”: ‘model_data/yolo_anchors.txt’, # anchor box 9个， 从小到大排列
“classes_path”: ‘model_data/coco_classes.txt’, #类别数
“score” : 0.3, #score 阈值
“iou” : 0.45, #iou 阈值
“model_image_size” : (416, 416), #输入图像尺寸
“gpu_num” : 1, #gpu数量
}

run yolo_video.py

def detect_img(yolo):
while True:
img = input(‘Input image filename:’) #输入一张图片
try:
image = Image.open(img)
except:
print(‘Open Error! Try again!’)
continue
else:
r_image = yolo.detect_image(image) #进入yolo.detect_image 进行检测
r_image.show()
yolo.close_session()

detect_image（）函数在yolo.py第102行

def detect_image(self, image):
    start = timer()

    if self.model_image_size != (None, None):  #判断图片是否存在
        assert self.model_image_size[0]%32 == 0, 'Multiples of 32 required'  
        assert self.model_image_size[1]%32 == 0, 'Multiples of 32 required'
        #assert断言语句的语法格式 model_image_size[0][1]指图像的w和h，且必须是32的整数倍

        boxed_image = letterbox_image(image, tuple(reversed(self.model_image_size)))  #letterbox_image()定义在utils.py的第20行。输入参数（图像 ,(w=416,h=416)),输出一张使用填充来调整图像的纵横比不变的新图。
    else:
        new_image_size = (image.width - (image.width % 32),
                          image.height - (image.height % 32))
        boxed_image = letterbox_image(image, new_image_size)
    image_data = np.array(boxed_image, dtype='float32')
    print(image_data.shape)  #（416，416,3）
    image_data /= 255.  #归一化
    image_data = np.expand_dims(image_data, 0)  #批量添加一维 -> (1,416,416,3) 为了符合网络的输入格式 -> (bitch, w, h, c)

    out_boxes, out_scores, out_classes = self.sess.run(
        [self.boxes, self.scores, self.classes],  #目的为了求boxes,scores,classes，具体计算方式定义在generate（）函数内。在yolo.py第61行
        feed_dict={    #喂参数
            self.yolo_model.input: image_data,  #图像数据
            self.input_image_shape: [image.size[1], image.size[0]],   #图像尺寸
            K.learning_phase(): 0   #学习模式 0：测试模型。 1：训练模式
        })

    print('Found {} boxes for {}'.format(len(out_boxes), 'img'))

绘制边框，自动设置边框宽度，绘制边框和类别文字，使用Pillow绘图库

font = ImageFont.truetype(font=‘font/FiraMono-Medium.otf’,
　　　　size=np.floor(3e-2 * image.size[1] + 0.5).astype(‘int32’)) #字体
　　　　 thickness = (image.size[0] + image.size[1]) // 300 #厚度

for i, c in reversed(list(enumerate(out_classes))):
　　 　　predicted_class = self.class_names[c] #类别
　　　　 box = out_boxes[i] #框
　　　　 score = out_scores[i] #置信度

　　label = '{} {:.2f}'.format(predicted_class, score)  #标签
　　draw = ImageDraw.Draw(image)  #画图
　　label_size = draw.textsize(label, font)　　# 标签文字

　　top, left, bottom, right = box
　　top = max(0, np.floor(top + 0.5).astype('int32'))
　　left = max(0, np.floor(left + 0.5).astype('int32'))
　　bottom = min(image.size[1], np.floor(bottom + 0.5).astype('int32'))
　　right = min(image.size[0], np.floor(right + 0.5).astype('int32'))
　　print(label, (left, top), (right, bottom))  #边框

　　if top - label_size[1] >= 0:  #标签文字
    　　text_origin = np.array([left, top - label_size[1]])
　　else:
    　　text_origin = np.array([left, top + 1])

　　# My kingdom for a good redistributable image drawing library.
　　for i in range(thickness):   #画框
    　　draw.rectangle(
        　　[left + i, top + i, right - i, bottom - i],
        　　outline=self.colors[c])
　　draw.rectangle(     #文字背景
    　　[tuple(text_origin), tuple(text_origin + label_size)],
    　　fill=self.colors[c])
　　draw.text(text_origin, label, fill=(0, 0, 0), font=font)  #文案
　　del draw

end = timer()
　　print(end - start)
　　return image

generate()在yolo.py第61行
def generate(self):
model_path = os.path.expanduser(self.model_path) #获取model路径
assert model_path.endswith(’.h5’), ‘Keras model or weights must be a .h5 file.’ #判断model是否以h5结尾

# Load model, or construct model and load weights.
num_anchors = len(self.anchors)   #num_anchors = 9。yolov3有9个先验框
num_classes = len(self.class_names)  #num_cliasses = 80。 #coco集一共80类
is_tiny_version = num_anchors==6 # default setting is_tiny_version = False
try:
    self.yolo_model = load_model(model_path, compile=False)   #下载model
except:
    self.yolo_model = tiny_yolo_body(Input(shape=(None,None,3)), num_anchors//2, num_classes) \
        if is_tiny_version else yolo_body(Input(shape=(None,None,3)), num_anchors//3, num_classes)
    self.yolo_model.load_weights(self.model_path) # 确保model和anchor classes 对应
else:
    assert self.yolo_model.layers[-1].output_shape[-1] == \       # model.layer[-1]:网络最后一层输出。 output_shape[-1]:输出维度的最后一维。 -> (?,13,13,255)
        num_anchors/len(self.yolo_model.output) * (num_classes + 5), \  #255 = 9/3*(80+5). 9/3:每层特征图对应3个anchor box  80:80个类别 5:4+1,框的4个值+1个置信度
        'Mismatch between model and given anchor and class sizes'

print('{} model, anchors, and classes loaded.'.format(model_path))
# 生成绘制边框的颜色。
hsv_tuples = [(x / len(self.class_names), 1., 1.)     #h(色调）：x/len(self.class_names)  s(饱和度）：1.0  v(明亮）：1.0 
              for x in range(len(self.class_names))]
self.colors = list(map(lambda x: colorsys.hsv_to_rgb(*x), hsv_tuples))   #hsv转换为rgb
self.colors = list(
    map(lambda x: (int(x[0] * 255), int(x[1] * 255), int(x[2] * 255)),    #hsv取值范围在【0,1】，而RBG取值范围在【0,255】，所以乘上255
        self.colors))
np.random.seed(10101)  # np.random.seed():产生随机种子。固定种子为一致的颜色
np.random.shuffle(self.colors)  # 调整颜色来装饰相邻的类。
np.random.seed(None)  #重置种子为默认
# Generate output tensor targets for filtered bounding boxes.
self.input_image_shape = K.placeholder(shape=(2, ))  #K.placeholder:keras中的占位符
if self.gpu_num>=2:
    self.yolo_model = multi_gpu_model(self.yolo_model, gpus=self.gpu_num)
boxes, scores, classes = yolo_eval(self.yolo_model.output, self.anchors,
        len(self.class_names), self.input_image_shape,
        score_threshold=self.score, iou_threshold=self.iou)   #yolo_eval():yolo评估函数
return boxes, scores, classes

yolo_eval()在model.py的第187行
def yolo_eval(yolo_outputs, #模型输出，格式如下【（?，13,13,255）（?，26,26,255）（?,52,52,255）】 ?:bitch size; 13-26-52:多尺度预测； 255：预测值（3*（80+5））
anchors, #[(10,13), (16,30), (33,23), (30,61), (62,45), (59,119), (116,90), (156,198), (373,326)]
num_classes,　　　　 # 类别个数，coco集80类
image_shape, #placeholder类型的TF参数，默认(416, 416)；
max_boxes=20, #每张图每类最多检测到20个框同类别框的IoU阈值，大于阈值的重叠框被删除，重叠物体较多，则调高阈值，重叠物体较少，则调低阈值
score_threshold=.6, #框置信度阈值，小于阈值的框被删除，需要的框较多，则调低阈值，需要的框较少，则调高阈值；
iou_threshold=.5): #同类别框的IoU阈值，大于阈值的重叠框被删除，重叠物体较多，则调高阈值，重叠物体较少，则调低阈值
“”“Evaluate YOLO model on given input and return filtered boxes.”""
num_layers = len(yolo_outputs) #yolo的输出层数；num_layers = 3 -> 13-26-52
anchor_mask = [[6,7,8], [3,4,5], [0,1,2]] if num_layers==3 else [[3,4,5], [1,2,3]] # default setting #每层分配3个anchor box.如1313分配到【6,7,8】即【（116,90）（156,198）（373,326）】
input_shape = K.shape(yolo_outputs[0])[1:3] * 32 #输入shape(?,13,13,255);即第一维和第二维分别32 ->13*32=416; input_shape:(416,416)
boxes = []
box_scores = []
for l in range(num_layers):
_boxes, _box_scores = yolo_boxes_and_scores(yolo_outputs[l],
anchors[anchor_mask[l]], num_classes, input_shape, image_shape)
boxes.append(_boxes)
box_scores.append(_box_scores)
boxes = K.concatenate(boxes, axis=0) #K.concatenate:将数据展平 ->(?,4)
box_scores = K.concatenate(box_scores, axis=0) # ->(?,)

mask = box_scores >= score_threshold  #MASK掩码，过滤小于score阈值的值，只保留大于阈值的值
max_boxes_tensor = K.constant(max_boxes, dtype='int32')   #最大检测框数20
boxes_ = []
scores_ = []
classes_ = []
for c in range(num_classes):
    # TODO: use keras backend instead of tf.
    class_boxes = tf.boolean_mask(boxes, mask[:, c])    #通过掩码MASK和类别C筛选框boxes
    class_box_scores = tf.boolean_mask(box_scores[:, c], mask[:, c])    #通过掩码MASK和类别C筛选scores
    nms_index = tf.image.non_max_suppression(        #运行非极大抑制
        class_boxes, class_box_scores, max_boxes_tensor, iou_threshold=iou_threshold)
    class_boxes = K.gather(class_boxes, nms_index)     #K.gather:根据索引nms_index选择class_boxes
    class_box_scores = K.gather(class_box_scores, nms_index)   #根据索引nms_index选择class_box_score)
    classes = K.ones_like(class_box_scores, 'int32') * c    #计算类的框得分
    boxes_.append(class_boxes)
    scores_.append(class_box_scores)
    classes_.append(classes)
boxes_ = K.concatenate(boxes_, axis=0)     #K.concatenate().将相同维度的数据连接在一起；把boxes_展平。  -> 变成格式:(?,4);  ?:框的个数；4：（x,y,w,h）
scores_ = K.concatenate(scores_, axis=0)   #变成格式（?,）
classes_ = K.concatenate(classes_, axis=0) #变成格式（?,）

return boxes_, scores_, classes_

yolo_boxes_and_scores()在model.py的第176行
def yolo_boxes_and_scores(feats, anchors, num_classes, input_shape, image_shape): # feats:输出的shape，->(?,13,13,255); anchors:每层对应的3个anchor box;
#num_classes: 类别数（80）; input_shape:（416,416）; image_shape:图像尺寸
‘’‘Process Conv layer output’’’
box_xy, box_wh, box_confidence, box_class_probs = yolo_head(feats, #yolo_head():box_xy是box的中心坐标，(0_{1)相对位置；box_wh是box的宽高，(0}1)相对值；
#box_confidence是框中物体置信度；box_class_probs是类别置信度；
anchors, num_classes, input_shape)
boxes = yolo_correct_boxes(box_xy, box_wh, input_shape, image_shape) #将box_xy和box_wh的(0~1)相对值，转换为真实坐标，输出boxes是(y_min,x_min,y_max,x_max)的值
boxes = K.reshape(boxes, [-1, 4]) #reshape,将不同网格的值转换为框的列表。即（?,13,13,3,4）->(?,4) ？：框的数目
box_scores = box_confidence * box_class_probs #框的得分=框的置信度*类别置信度
box_scores = K.reshape(box_scores, [-1, num_classes]) #reshape,将框的得分展平，变为(?,80); ?:框的数目
return boxes, box_scores

yolo_head()在model.py的第122行
def yolo_head(feats, anchors, num_classes, input_shape, calc_loss=False): #参数同上
“”“Convert final layer features to bounding box parameters.”""
num_anchors = len(anchors) #num_anchors = 3
#Reshape to batch, height, width, num_anchors, box_params.
anchors_tensor = K.reshape(K.constant(anchors), [1, 1, 1, num_anchors, 2]) #reshape ->(1,1,1,3,2)

grid_shape = K.shape(feats)[1:3] # height, width                                   #(?,13,13,255)  -> (13,13)

grid_y = K.tile(K.reshape(K.arange(0, stop=grid_shape[0]), [-1, 1, 1, 1]), #grid_y和grid_x用于生成网格grid，通过arange、reshape、tile的组合，
创建y轴的0_{12的组合grid_y，再创建x轴的0}12的组合grid_x，将两者拼接concatenate，就是grid；
[1, grid_shape[1], 1, 1])
grid_x = K.tile(K.reshape(K.arange(0, stop=grid_shape[1]), [1, -1, 1, 1]),
[grid_shape[0], 1, 1, 1])
grid = K.concatenate([grid_x, grid_y])
grid = K.cast(grid, K.dtype(feats)) #K.cast():把grid中值的类型变为和feats中值的类型一样

feats = K.reshape(                                                                   #将feats的最后一维展开，将anchors与其他数据（类别数+4个框值+框置信度）分离
    feats, [-1, grid_shape[0], grid_shape[1], num_anchors, num_classes + 5])

#Adjust preditions to each spatial grid point and anchor size.
box_xy = (K.sigmoid(feats[…, :2]) + grid) / K.cast(grid_shape[::-1], K.dtype(feats)) #xywh的计算公式，tx、ty、tw和th是feats值，而bx、by、bw和bh是输出值，如下
box_wh = K.exp(feats[…, 2:4]) * anchors_tensor / K.cast(input_shape[::-1], K.dtype(feats)) #sigmoid:σ
box_confidence = K.sigmoid(feats[…, 4:5])
box_class_probs = K.sigmoid(feats[…, 5:]) # …操作符，在Python中，“…”(ellipsis)操作符，表示其他维度不变，只操作最前或最后1维；

if calc_loss == True:
return grid, feats, box_xy, box_wh
return box_xy, box_wh, box_confidence, box_class_probs

yolo_correct_boxes()在model.py的第150行
def yolo_correct_boxes(box_xy, box_wh, input_shape, image_shape): #得到正确的x,y,w,h
‘’‘Get corrected boxes’’’
box_yx = box_xy[…, ::-1] #“::-1”是颠倒数组的值
box_hw = box_wh[…, ::-1]
input_shape = K.cast(input_shape, K.dtype(box_yx))
image_shape = K.cast(image_shape, K.dtype(box_yx))
new_shape = K.round(image_shape * K.min(input_shape/image_shape))
offset = (input_shape-new_shape)/2./input_shape
scale = input_shape/new_shape
box_yx = (box_yx - offset) * scale
box_hw *= scale

box_mins = box_yx - (box_hw / 2.)
box_maxes = box_yx + (box_hw / 2.)
boxes =  K.concatenate([
    box_mins[..., 0:1],   #y_min

box_mins[…, 1:2], #x_min
box_maxes[…, 0:1], #y_max
box_maxes[…, 1:2] #x_max
])

#Scale boxes back to original image shape.
boxes *= K.concatenate([image_shape, image_shape])
return boxes

OK, that’s all! Enjoy it!