YOLOv5模型网络结构简单理解及详解anchor设置

写在前面

作者最近在做一些目标检测的竞赛，参加了火箭军智箭火眼人工智能挑战赛，科目一排名28，科目二排名23，提升不上去了。在这个过程中看见了yolov5这个模型的性能以及准确率是这么的优秀，于是果断采用了这个模型作为我们的baseline，当然在这不停的炼丹过程中，遇到了很多的问题，也学习到了很多的新知识。这里把自己遇到的网络结构理解与anchor设置方面的问题分享给大家，供大家参考，本人很少写博客，欢迎大家在评论区交流。
这里放上yolov5作者在coco数据集上的测试评分：

Yolov5网络结构

下面是yolov5的模型结构图，转载于江大白

作为one-stage目标检测的代表算法，yolo一次性输出目标框的位置和类别置信度，这里不再对模型里的具体模块进行阐释（其实我也不懂hhhh）。我们主要讲一下模型的输入和输出。在这张图片上，使用的输入图片大小设置为608*608，yolov5的作者在coco数据集上使用的输入图像大小为640，当然输入图像的大小没有限制，输入图像的不同会导致网络的宽度也会跟着改变，对应的生成的模型文件大小也会发生改变，这里提示大家一点，如果要使用预训练的权值，最好输入图像大小设置成和作者一样，输入图像的大小要求必须是32的倍数。
对于输出层（Prediction），经过前面的一系列特征提取和计算操作后，会生成三个特定大小的特征，大小分别为608/8=76，608/16=38，608/32=19，可能这也是输入图像大小要求是32的倍数的原因。

anchor（锚框）计算与设置详解

不同的目标检测算法的锚框设置有很大区别，我也是在这里面爬了很多的坑才总结出来一些规律，写给大家作为参考。
这里放上作者在coco数据集上设置的锚框：

anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

anchors参数里面共9个数值，一共三行9列，每一行代表在不同的特征图上，比如第一行是在最大的特征图上（在这里是7676255）的锚框，第二行是在中间的特征图上的锚框，第三行是在最小的特征图上的锚框，作者也很贴心的在每行的后面给出了提示。对于目标检测的任务来说，我们一般希望在更大的特征图上去检测小目标，这样的大特征图才含有更多的小目标信息。因此大特征图上的anchor数值通常设置为一个小数值，小的特征图上数值设置为一个大的数值检测大的目标，每一行的先后顺序可以打乱，不代表任何意义。
下面详解每个参数的意义及anchor计算方法
这里是作者对任务中的检测框长宽比统计

当然前期什么都不懂，拿个算法就开始训练，可以看出我的数据标注框长宽比非常不协调，与coco数据集完全不一样，简单统计了以下，最大的长宽比甚至达到了1：8以上，因此直接采用coco数据集上的anchor训练效果很不好。因此这才对这方面展开了一些调查研究。
由于图像做了resize到输入图像的大小，因此检测框的大小也要跟着发生改变，anchor计算使用的是改变后的检测框大小计算得到的，作者也给出了anchor的计算函数，在Yolov5目录下的utils目录下的general.py，里面有一个函数kmeans_anchor，通过kmeans的方法计算得到anchor。下面贴出作者写的代码，据说是每次打开会自动计算anchor，但不知道什么原因在我的代码中没有自动计算！因此我将这段代码拷贝到一个新的python文件，自动计算出anchor，然后更改模型文件中的anchor，再开始训练。

def kmean_anchors(path='./data/coco128.yaml', n=9, img_size=640, thr=4.0, gen=1000, verbose=True):
    """ Creates kmeans-evolved anchors from training dataset

        Arguments:
            path: path to dataset *.yaml, or a loaded dataset
            n: number of anchors
            img_size: image size used for training
            thr: anchor-label wh ratio threshold hyperparameter hyp['anchor_t'] used for training, default=4.0
            gen: generations to evolve anchors using genetic algorithm

        Return:
            k: kmeans evolved anchors

        Usage:
            from utils.general import *; _ = kmean_anchors()
    """
    thr = 1. / thr

    def metric(k, wh):  # compute metrics
        r = wh[:, None] / k[None]
        x = torch.min(r, 1. / r).min(2)[0]  # ratio metric
        # x = wh_iou(wh, torch.tensor(k))  # iou metric
        return x, x.max(1)[0]  # x, best_x

    def fitness(k):  # mutation fitness
        _, best = metric(torch.tensor(k, dtype=torch.float32), wh)
        return (best * (best > thr).float()).mean()  # fitness

    def print_results(k):
        k = k[np.argsort(k.prod(1))]  # sort small to large
        x, best = metric(k, wh0)
        bpr, aat = (best > thr).float().mean(), (x > thr).float().mean() * n  # best possible recall, anch > thr
        print('thr=%.2f: %.4f best possible recall, %.2f anchors past thr' % (thr, bpr, aat))
        print('n=%g, img_size=%s, metric_all=%.3f/%.3f-mean/best, past_thr=%.3f-mean: ' %
              (n, img_size, x.mean(), best.mean(), x[x > thr].mean()), end='')
        for i, x in enumerate(k):
            print('%i,%i' % (round(x[0]), round(x[1])), end=',  ' if i < len(k) - 1 else '\n')  # use in *.cfg
        return k

    if isinstance(path, str):  # *.yaml file
        with open(path) as f:
            data_dict = yaml.load(f, Loader=yaml.FullLoader)  # model dict
        from utils.datasets import LoadImagesAndLabels
        dataset = LoadImagesAndLabels(data_dict['train'], augment=True, rect=True)
    else:
        dataset = path  # dataset

    # Get label wh
    shapes = img_size * dataset.shapes / dataset.shapes.max(1, keepdims=True)
    wh0 = np.concatenate([l[:, 3:5] * s for s, l in zip(shapes, dataset.labels)])  # wh

    # Filter
    i = (wh0 < 3.0).any(1).sum()
    if i:
        print('WARNING: Extremely small objects found. '
              '%g of %g labels are < 3 pixels in width or height.' % (i, len(wh0)))
    wh = wh0[(wh0 >= 2.0).any(1)]  # filter > 2 pixels

    # Kmeans calculation
    print('Running kmeans for %g anchors on %g points...' % (n, len(wh)))
    s = wh.std(0)  # sigmas for whitening
    k, dist = kmeans(wh / s, n, iter=30)  # points, mean distance
    k *= s
    wh = torch.tensor(wh, dtype=torch.float32)  # filtered
    wh0 = torch.tensor(wh0, dtype=torch.float32)  # unflitered
    k = print_results(k)

    # Plot
    # k, d = [None] * 20, [None] * 20
    # for i in tqdm(range(1, 21)):
    #     k[i-1], d[i-1] = kmeans(wh / s, i)  # points, mean distance
    # fig, ax = plt.subplots(1, 2, figsize=(14, 7))
    # ax = ax.ravel()
    # ax[0].plot(np.arange(1, 21), np.array(d) ** 2, marker='.')
    # fig, ax = plt.subplots(1, 2, figsize=(14, 7))  # plot wh
    # ax[0].hist(wh[wh[:, 0]<100, 0],400)
    # ax[1].hist(wh[wh[:, 1]<100, 1],400)
    # fig.tight_layout()
    # fig.savefig('wh.png', dpi=200)

    # Evolve
    npr = np.random
    f, sh, mp, s = fitness(k), k.shape, 0.9, 0.1  # fitness, generations, mutation prob, sigma
    pbar = tqdm(range(gen), desc='Evolving anchors with Genetic Algorithm')  # progress bar
    for _ in pbar:
        v = np.ones(sh)
        while (v == 1).all():  # mutate until a change occurs (prevent duplicates)
            v = ((npr.random(sh) < mp) * npr.random() * npr.randn(*sh) * s + 1).clip(0.3, 3.0)
        kg = (k.copy() * v).clip(min=2.0)
        fg = fitness(kg)
        if fg > f:
            f, k = fg, kg.copy()
            pbar.desc = 'Evolving anchors with Genetic Algorithm: fitness = %.4f' % f
            if verbose:
                print_results(k)

    return print_results(k)

说一下没每个参数的意义，第一个代表数据yaml路径，n代表聚类数，img_size代表模型输入图片的大小，thr代表长宽比的阈值（将长宽比限定在一定的范围内），gen代表kmeans迭代次数。
上面的计算过程相当于将我画的长宽比先转化到resize640大小的长宽比下，再进行聚类，得到9个聚类中心，每个聚类中心包含（x，y）坐标就是我们需要的anchor，
比如我这里采用的参数及输出如下：

kmean_anchors(path='./data/coco128.yaml', n=9, img_size=512, thr=8, gen=1000, verbose=True)
#输出
#n=9, img_size=512, metric_all=0.640/0.909-mean/best, past_thr=0.640-mean: 134,38,  172,35,  135,48,  175,43,  209,38,  174,62,  254,69,  314,82,  373,95

将新的anchor更改到模型yaml前后对比如下:

# anchors:
#   - [10,13, 16,30, 33,23]  # P3/8
#   - [30,61, 62,45, 59,119]  # P4/16
#   - [116,90, 156,198, 373,326]  # P5/32

anchors:
  - [134,38, 135,48, 172,35]  # P3/8
  - [174,62, 175,43, 209,38]  # P4/16
  - [254,69, 314,82, 373,95]  # P5/32

采用新的最优的anchor，模型的效果果然提高了好多，另外提一句，关于这里的thr其实是和hyp.scratch.yaml文件中的anchor_t一样，代表了anchor放大的scale，我的标注框长宽比最大在8左右，因此设置为8。
当然，这里只是一个刚入门不久的深度学习小白的一点浅显理解，不喜勿喷，欢迎大家在评论区下面留言交流。