修复YOLOFacePose中存在关键点异常的问题

问题描述

有两个轮廓的关键点回归失败？

分析一：

来自：300W转yolo格式出问题
比如：coco2yolo
0 xywh (px,py, flag) (px,py, flag) (px,py, flag)
而300W2yolo：
0 xywh (px,py) (px,py) (px,py)
还是要手动添加flag，全部设置为2. 但在实际数据处理中，flag已经被清理，数据处理不存在问题。

分析二：参考yolo中存在飞点的问题

https://github.com/WongKinYiu/yolov7/pull/501
https://github.com/TexasInstruments/edgeai-yolov5/issues/10

按照这其中的处理方法，成功解决飞点问题！

问题二：how to improve accuracy

尝试一：定制每个点的偏差权重

在计算OKS时，我们定制了每个点的偏差，但按照如此训练，并没有明显的性能提升。如下：
Our falloff:
[0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18, 0.18,
0.116, 0.116, 0.116, 0.116, 0.116, 0.116,0.116, 0.116,0.116, 0.116,
0.103, 0.103, 0.103, 0.103,
0.072, 0.072, 0.072, 0.072, 0.072,
0.085, 0.085, 0.085, 0.085, 0.085, 0.085, 0.085, 0.085, 0.085, 0.085, 0.085, 0.085,
0.103, 0.103, 0.103, 0.103, 0.103, 0.103, 0.103, 0.103, 0.103, 0.103, 0.103, 0.103,
0.11, 0.101, 0.101, 0.101, 0.11,
0.101, 0.101, 0.101]

尝试二：Try: using deconvolution to instead upsample

insert deconv into the yolo.cfg framework

  	[ [ -1, 1, Conv, [ 768, 1, 1 ] ],
    [ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],
  #将以上两个模块合并成反卷即模块
  	[ [ -1, 1, DeConv, [ 768, 1, 1 ] ],

   # [ [ -1, 20 ], 1, Concat, [ 1 ] ],  # cat head P4
    [ [ -1, 18 ], 1, Concat, [ 1 ] ],  # cat head P4
   # 原来将第20层连接到一起，现在由于减少来2层故对应修改层数

define the deconv module

在common.py中添加如下模块Deconv，在yolo.py也需要添加对应的DeConv模块

class DeConv(nn.Module):
    # Standard convolution
    #(k, p, outp) = (4,1,0) (3,1,1) (2,0,0)
    def __init__(self, c1, c2, k=3, s=2, p=1, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups
        super(DeConv, self).__init__()
        self.deconv = nn.ConvTranspose2d(c1, c2, k, s, 
            padding= p,
            output_padding=p,
            groups=g, bias=False)
        self.bn = nn.BatchNorm2d(c2)
        if act != "ReLU":
            self.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())
        else:
            self.act = nn.ReLU(inplace=True)

    def forward(self, x):
        return self.act(self.bn(self.deconv(x)))

    def fuseforward(self, x):
        return self.act(self.deconv(x))

将会持续更新我们的改进过程……

---