YOLOV5-face视频流
这里我使用的不是原版yoloface的代码，原版代码为一类，五个关键点，我的代码为4类，4个关键点。具体更改办法及相关知识可参阅我之前的博客
yoloV5-face学习笔记_m0_58348465的博客-CSDN博客
修改思路
由于yoloV5-face阉割掉了许多功能，比如视频流，部署，因此我希望能直接在yolov5源代码的detect.py进行修改，使之能直接运行视频流
对二者进行调试，对yolov5的detect.py进行修改
首先将detect.py的
pred = non_max_suppression_face
改为yolov5face的
pred = non_max_suppression
同时记得在上方import相应函数即可。
发现问题
更改后，yolov5能正常输出边界框，但关键点的位置非常离谱*(yoloface的关键点输出是正常的)。
第一次尝试
调试发现，二者的厚度不同，继续调试发现face输入的是800*640，而yolo输入的是640*512；也就是说二者的img_size不同。将yoloface的img_size默认改为640，如下
def detect_one(model, image_path, device):
# Load model
img_size = 640
conf_thres = 0.3
iou_thres = 0.5改完后发现，居然关键点位置效果也变好了
好奇的继续对img_size进行更改，结果发现其值在600左右效果最好，为什么？
原因：因为训练的权重选错了，选错成未完全收敛的权重，因此其他一些细微的变化也有着巨大的影响
第二次尝试
修改后，二者的维度相同，但是关键点还是很离谱。最离谱的是，非极大值抑制函数是复制过去的，而调试过程中pred输出也相同。就在我快绝望之际，我想到可能是由于tensor过大，只有显示出来的部分是完全相同的，其实内部不同。
通过下列代码可以去掉调试过程中tensor的省略号
import numpy as np
np.set_printoptions(threshold = 1e3)#设置打印数量的阈值
torch.set_printoptions(threshold=np.inf)加入上述代码后调试，发现二者果然省略号内部不一样。
之后我用文档对比工具解析了model，但是二者架构也是完全相同的。唯一的可能是二者的解析不同。由于yoloface的yolo.py的detect在我调试时自己改过，因此最有可能的原因就是detect模块不同。因此按照yoloface（我修改的四点模型）中修改detect模块，修改结果如下
class Detect(nn.Module):
stride = None # strides computed during build
onnx_dynamic = False # ONNX export parameter
def __init__(self, nc=80, anchors=(), ch=(), inplace=True): # detection layer
super().__init__()
self.nc = nc # number of classes
self.no = nc + 5 + 8 # number of outputs per anchor
self.nl = len(anchors) # number of detection layers
self.na = len(anchors[0]) // 2 # number of anchors
self.grid = [torch.zeros(1)] * self.nl # init grid
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
self.inplace = inplace # use in-place ops (e.g. slice assignment)
def forward(self, x):
z = [] # inference output
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
if not self.training: # inference
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
y = torch.full_like(x[i], 0)
class_range = list(range(5)) + list(range(13,13+self.nc))
y[..., class_range] = x[i][..., class_range].sigmoid() #这里是只对关键点以外的值进行sigmoid
y[..., 5:13] = x[i][..., 5:13]
if self.inplace:
y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
y[..., 5:7] = y[..., 5:7] * self.anchor_grid[i] + self.grid[i].to(x[i].device) * self.stride[i] # landmark x1 y1
y[..., 7:9] = y[..., 7:9] * self.anchor_grid[i] + self.grid[i].to(x[i].device) * self.stride[i] # landmark x2 y2
y[..., 9:11] = y[..., 9:11] * self.anchor_grid[i] + self.grid[i].to(x[i].device) * self.stride[i] # landmark x3 y3
y[..., 11:13] = y[..., 11:13] * self.anchor_grid[i] + self.grid[i].to(x[i].device) * self.stride[i] # landmark x4 y4
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
# y[..., 5:15] = y[..., 5:15] * 8 - 4
y[..., 5:7] = y[..., 5:7] * self.anchor_grid[i] + self.grid[i].to(x[i].device) * self.stride[i] # landmark x1 y1
y[..., 7:9] = y[..., 7:9] * self.anchor_grid[i] + self.grid[i].to(x[i].device) * self.stride[i] # landmark x2 y2
y[..., 9:11] = y[..., 9:11] * self.anchor_grid[i] + self.grid[i].to(x[i].device) * self.stride[i] # landmark x3 y3
y[..., 11:13] = y[..., 11:13] * self.anchor_grid[i] + self.grid[i].to(x[i].device) * self.stride[i] # landmark x4 y4
y = torch.cat((xy, wh, y[..., 4:]), -1)
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1), x)
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
yv, xv = torch.meshgrid([torch.arange(ny, device=d), torch.arange(nx, device=d)], indexing='ij')
else:
yv, xv = torch.meshgrid([torch.arange(ny, device=d), torch.arange(nx, device=d)])
grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
.view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
return grid, anchor_grid之后进行调试，发现输出的结果是正确的，所以下一步是让结果可视化
结果输出
为了输出结果，首先要将特征点缩放到图片实际大小，在yolo170行左右，if len(det):后面，加入一句scale_coords_landmarks函数，加入后结果如下
if len(det):
# Rescale boxes from img_size to im0 size
det[:, :4] = scale_coords(im.shape[2:], det[:, :4], im0.shape).round()
det[:, 5:13] = scale_coords_landmarks(im.shape[2:], det[:, 5:13], im0.shape).round()
# Print results
for c in det[:, -1].unique():
n = (det[:, -1] == c).sum() # detections per class
# s += f"{n} {names[int(c)]}{'s' * (n > 1)}, " # add to string 改变
同时，我们要在detect.py上方定义scale_coords_landmarks函数代码，代码如下
def scale_coords_landmarks(img1_shape, coords, img0_shape, ratio_pad=None):
# Rescale coords (xyxy) from img1_shape to img0_shape
if ratio_pad is None: # calculate from img0_shape
gain = min(img1_shape[0] / img0_shape[0], img1_shape[1] / img0_shape[1]) # gain = old / new
pad = (img1_shape[1] - img0_shape[1] * gain) / 2, (img1_shape[0] - img0_shape[0] * gain) / 2 # wh padding
else:
gain = ratio_pad[0][0]
pad = ratio_pad[1]
coords[:, [0, 2, 4, 6]] -= pad[0] # x padding
coords[:, [1, 3, 5, 7]] -= pad[1] # y padding
coords[:, :8] /= gain
#clip_coords(coords, img0_shape)
coords[:, 0].clamp_(0, img0_shape[1]) # x1
coords[:, 1].clamp_(0, img0_shape[0]) # y1
coords[:, 2].clamp_(0, img0_shape[1]) # x2
coords[:, 3].clamp_(0, img0_shape[0]) # y2
coords[:, 4].clamp_(0, img0_shape[1]) # x3
coords[:, 5].clamp_(0, img0_shape[0]) # y3
coords[:, 6].clamp_(0, img0_shape[1]) # x4
coords[:, 7].clamp_(0, img0_shape[0]) # y4
# coords[:, 8].clamp_(0, img0_shape[1]) # x5
# coords[:, 9].clamp_(0, img0_shape[0]) # y5
return coords结果可视化（测试版，可以跳过）
最后一步是结果可视化，我们先将detect.py的weite results全部注释掉，如下
# Write results
# for *xyxy, conf, cls in reversed(det):
# if save_txt: # Write to file
# xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist() # normalized xywh
# line = (cls, *xywh, conf) if save_conf else (cls, *xywh) # label format
# with open(txt_path + '.txt', 'a') as f:
# f.write(('%g ' * len(line)).rstrip() % line + '\n')
#
# if save_img or save_crop or view_img: # Add bbox to image
# c = int(cls) # integer class
# label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')
# # annotator.box_label(xyxy, label, color=colors(c, True))
# if save_crop:
# save_one_box(xyxy, imc, file=save_dir / 'crops' / names[c] / f'{p.stem}.jpg', BGR=True)
然后改为这段代码
for j in range(det.size()[0]):
xywh = (xyxy2xywh(det[j, :4].view(1, 4)) / gn).view(-1).tolist()
conf = det[j, 4].cpu().numpy()
landmarks = (det[j, 5:13].view(1, 8) / gn_lks).view(-1).tolist()
class_num = det[j, 13].cpu().numpy()
im0 = show_results(im0, xywh, conf, landmarks, class_num)类似的，我们要在detect.py上方定义show_results函数，如下
def show_results(img, xywh, conf, landmarks, class_num):
h,w,c = img.shape
tl = 1 or round(0.002 * (h + w) / 2) + 1 # line/font thickness
x1 = int(xywh[0] * w - 0.5 * xywh[2] * w)
y1 = int(xywh[1] * h - 0.5 * xywh[3] * h)
x2 = int(xywh[0] * w + 0.5 * xywh[2] * w)
y2 = int(xywh[1] * h + 0.5 * xywh[3] * h)
cv2.rectangle(img, (x1,y1), (x2, y2), (0,255,0), thickness=tl, lineType=cv2.LINE_AA)
clors = [(255,0,0),(0,255,0),(0,0,255),(255,255,0)]
for i in range(4):
point_x = int(landmarks[2 * i] * w)
point_y = int(landmarks[2 * i + 1] * h)
cv2.circle(img, (point_x, point_y), tl+1, clors[i], -1)
tf = max(tl - 1, 1) # font thickness
label = str(conf)[:5]
cv2.putText(img, label, (x1, y1 - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)
return img此外，这段代码用到了没有定义的gn_lks，因此将detect.py 210行左右
gn = torch.tensor(im0.shape)[[1, 0, 1, 0]]改为
gn = torch.tensor(im0.shape)[[1, 0, 1, 0]].to(device) # normalization gain whwh
gn_lks = torch.tensor(im0.shape)[[1, 0, 1, 0, 1, 0, 1, 0, ]].to(device) # normalization gain landmarks
更改后，结果可正常可视化
结果可视化（最终版）
虽然上面的更改也可以使结果可视化，但仅仅是将点画到照片或视频上，各种保存为txt之类的功能都没有使用。因此为提高代码的健壮性，我们最好在detect.py上直接修改
发现了一个很有趣的事情，在run函数（如下）中，默认data是coco128.yaml，但实际上不管data是什么，甚至是一个不存在的文件，都不会对输出结果产生任何影响，而输出的data仍coco128.yaml
@torch.no_grad()
def run(weights=ROOT / 'yolov5s.pt', # model.pt path(s)
source=ROOT / 'data/images', # file/dir/URL/glob, 0 for webcam
data=ROOT / 'data/coco.yaml', # dataset.yaml path
imgsz=(640, 640), # inference size (height, width)经过分析发现，是因为下面的传入参数的代码默认传入coco128.yaml，也就是说，对于run函数，相当于对他传入了coco128.yaml，因此不会执行默认的coco.yaml；想要更改默认的参数，需要更改下面传入参数的代码，在detect.py的最下方
def parse_opt():
parser = argparse.ArgumentParser()
parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'yolov5s.pt', help='model path(s)')
parser.add_argument('--source', type=str, default=ROOT / 'data/images', help='file/dir/URL/glob, 0 for webcam')
parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='(optional) dataset.yaml path')还有另一个有趣的事情。虽然在detect中我添加了yaml文件，里面有类别的名字，但输出的类名还是0，1，2，3.分析后发现，.pt文件中保留了类名，而我在训练集时候类名是0，1，2，3。虽然在detect中添加了yaml文件，但这一步是在读取.pt文件类名之前的，也就是说我的新类名被.pt文件中的类名覆盖了