jwyang’s github: https://github.com/jwyang/faster-rcnn.pytorch
## 文件demo.py ##
这个文件是自己下载好训练好的模型后可执行
下面是对代码的详细注释(直接在代码上注释):
# --------------------------------------------------------
# Tensorflow Faster R-CNN
# Licensed under The MIT License [see LICENSE for details]
# Written by Jiasen Lu, Jianwei Yang, based on code from Ross Girshick
# --------------------------------------------------------
#Python提供了__future__模块,把下一个新版本的特性导入到当前版本
from __future__ import absolute_import#加入绝对引入这个新特性 引入系统的标准
#导入python未来支持的语言特征division(精确除法),当我们没有在程序中导入该特征时,"/"操作符执行的是截断除法(Truncating Division),
#当我们导入精确除法之后,"/"执行的是精确除法
from __future__ import division
#即使在python2.X,使用print就得像python3.X那样加括号使用
from __future__ import print_function
#_init_paths是指lib/model/_init_paths.py ?
import _init_paths
import os #通过os模块调用系统命令
import sys #sys 模块包括了一组非常实用的服务,内含很多函数方法和变量
#numpy用来处理图片数据(多维数组), 尤其是numpy的broadcasting特性, 使得不同维度的数组可以一起操作(加,减,乘, 除, 等).
import numpy as np
import argparse #为py文件封装好可以选择的参数
import pprint #提供了打印出任何python数据结构类和方法。
import pdb #使用 Pdb调试 Python程序
import time
import cv2
import torch
#介绍autograde https://www.jianshu.com/p/cbce2dd60120
from torch.autograd import Variable#自动微分 vairable是tensor的一个外包装
import torch.nn as nn
import torch.optim as optim
#为了方便加载以上五种数据库的数据,pytorch团队帮我们写了一个torchvision包。
#使用torchvision就可以轻松实现数据的加载和预处理。
import torchvision.transforms as transforms# transforms用于数据预处理
import torchvision.datasets as dset
#scipy.misc 下的图像处理
#imread():返回的是 numpy.ndarray 也即 numpy 下的多维数组对象;
from scipy.misc import imread
from roi_data_layer.roidb import combined_roidb
from roi_data_layer.roibatchLoader import roibatchLoader
#demo.py运行过程中的配置基本上都在config.py了. 后续的代码流程中会用到这些配置值.
from model.utils.config import cfg, cfg_from_file, cfg_from_list, get_output_dir
from model.rpn.bbox_transform import clip_boxes
from model.nms.nms_wrapper import nms
from model.rpn.bbox_transform import bbox_transform_inv
from model.utils.net_utils import save_net, load_net, vis_detections
from model.utils.blob import im_list_to_blob
from model.faster_rcnn.vgg16 import vgg16
from model.faster_rcnn.resnet import resnet
import pdb
try:
xrange # Python 2
except NameError:
xrange = range # Python 3
def parse_args():
"""
Parse input arguments
"""
parser = argparse.ArgumentParser(description='Train a Fast R-CNN network')
parser.add_argument('--dataset', dest='dataset',#指代你跑得数据集名称,例如pascal-voc
help='training dataset',
default='pascal_voc', type=str)
parser.add_argument('--cfg', dest='cfg_file',#配置文件
help='optional config file',
default='cfgs/vgg16.yml', type=str)
parser.add_argument('--net', dest='net',#backbone网络类型
help='vgg16, res50, res101, res152',
default='res101', type=str)
parser.add_argument('--set', dest='set_cfgs',#设置
help='set config keys', default=None,
nargs=argparse.REMAINDER)
parser.add_argument('--load_dir', dest='load_dir',#模型目录
help='directory to load models',
default="/srv/share/jyang375/models")
parser.add_argument('--image_dir', dest='image_dir',#图片目录
help='directory to load images for demo',
default="images")
parser.add_argument('--cuda', dest='cuda',#是否用GPU
help='whether use CUDA',
action='store_true')
parser.add_argument('--mGPUs', dest='mGPUs',#是不是多GPU
help='whether use multiple GPUs',
action='store_true')
#class-agnostic 方式只回归2类bounding box,即前景和背景,
#结合每个box在classification 网络中对应着所有类别的得分,以及检测阈值条件,就可以得到图片中所有类别的检测结果
parser.add_argument('--cag', dest='class_agnostic',#是否class_agnostic回归
help='whether perform class_agnostic bbox regression',
action='store_true')
parser.add_argument('--parallel_type', dest='parallel_type',#模型的哪一部分并行
help='which part of model to parallel, 0: all, 1: model before roi pooling',
default=0, type=int)
parser.add_argument('--checksession', dest='checksession',
help='checksession to load model',
default=1, type=int)
parser.add_argument('--checkepoch', dest='checkepoch',
help='checkepoch to load network',
default=1, type=int)
#--checkpoint a way to save the current state of your experiment so that you can pick up from where you left off.
parser.add_argument('--checkpoint', dest='checkpoint',#跟保存模型有关
help='checkpoint to load network',
default=10021, type=int)
parser.add_argument('--bs', dest='batch_size',#批大小
help='batch_size',
default=1, type=int)
parser.add_argument('--vis', dest='vis',
help='visualization mode',#可视化模型
action='store_true')
parser.add_argument('--webcam_num', dest='webcam_num',#好像就是网络哦摄像机
help='webcam ID number',
default=-1, type=int)
#parse_args()是将之前add_argument()定义的参数进行赋值,并返回相关的namespace。
args = parser.parse_args()
return args
lr = cfg.TRAIN.LEARNING_RATE#学习率
momentum = cfg.TRAIN.MOMENTUM#动量
weight_decay = cfg.TRAIN.WEIGHT_DECAY#权重衰减
def _get_image_blob(im):
#这个函数其实就是读取图片,然后做尺寸变换,然后存储成矩阵的形式
"""Converts an image into a network input.
Arguments:
im (ndarray): a color image in BGR order
Returns:
blob (ndarray): a data blob holding an image pyramid
im_scale_factors (list): list of image scales (relative to im) used
in the image pyramid
"""
#Numpy中 astype:转换数组的数据类型。
im_orig = im.astype(np.float32, copy=True)
#而pixel mean的话,其实是把训练集里面所有图片的所有R通道像素,求了均值,G,B通道类似
im_orig -= cfg.PIXEL_MEANS
im_shape = im_orig.shape
#所有元素中的min or max
im_size_min = np.min(im_shape[0:2])#后面有可能有其他维度,这里留两维
im_size_max = np.max(im_shape[0:2])
processed_ims = []
im_scale_factors = []
for target_size in cfg.TEST.SCALES:#遍历cfg.TEST.SCALES这个元组或列表中的值
im_scale = float(target_size) / float(im_size_min)#测试的尺度除以图像最小长度(宽高的最小值)
# Prevent the biggest axis from being more than MAX_SIZE
#防止最大值超过MAX_SIZE,round函数四舍五入
if np.round(im_scale * im_size_max) > cfg.TEST.MAX_SIZE:
im_scale = float(cfg.TEST.MAX_SIZE) / float(im_size_max)
#调整im_orig大小
im = cv2.resize(im_orig, None, None, fx=im_scale, fy=im_scale,
interpolation=cv2.INTER_LINEAR)
#保存尺度值
im_scale_factors.append(im_scale)
#保存调整后的图像
processed_ims.append(im)
# Create a blob to hold the input images
#创建一个blob来保存输入图像
#这个函数出自这里 from model.utils.blob import im_list_to_blob
blob = im_list_to_blob(processed_ims)#processed_ims是调整后的图像值
return blob, np.array(im_scale_factors)
if __name__ == '__main__':
args = parse_args()#这就是上面定义的那个函数
print('Called with args:')
print(args)
if args.cfg_file is not None: #配置文件
#model.utils.config 该文件中函数 """Load a config file and merge it into the default options."""
cfg_from_file(args.cfg_file) #
if args.set_cfgs is not None: #设置配置
#model.utils.config文件中"""Set config keys via list (e.g., from command line)."""
cfg_from_list(args.set_cfgs) #
#Use GPU implementation of non-maximum suppression
#解析参数是不是用GPU
cfg.USE_GPU_NMS = args.cuda
print('Using config:')
pprint.pprint(cfg)
#设置随机数种子
#每次运行代码时设置相同的seed,则每次生成的随机数也相同,
#如果不设置seed,则每次生成的随机数都会不一样
np.random.seed(cfg.RNG_SEED)
# train set
# -- Note: Use validation set and disable the flipped to enable faster loading.
#load_dir 模型目录 args.net 网络 args.dataset 数据集
input_dir = args.load_dir + "/" + args.net + "/" + args.dataset
if not os.path.exists(input_dir):
#当程序出现错误,python会自动引发异常,也可以通过raise显示地引发异常。一旦执行了raise语句,raise后面的语句将不能执行。
raise Exception('There is no input directory for loading network from ' + input_dir)
#这里的三个check参数,是定义了训好的检测模型名称,例如训好的名称为faster_rcnn_1_20_10021,
#代表了checksession = 1,checkepoch = 20, checkpoint = 10021,这样才可以读到模型“faster_rcnn_1_20_10021”
load_name = os.path.join(input_dir,
'faster_rcnn_{}_{}_{}.pth'.format(args.checksession, args.checkepoch, args.checkpoint))
#PASCAL类别 1类背景 + 20类Object
#array和asarray都可以将结构数据转化为ndarray,但是主要区别就是当数据源是ndarray时,
#array仍然会copy出一个副本,占用新的内存,但asarray不会。
pascal_classes = np.asarray(['__background__',
'aeroplane', 'bicycle', 'bird', 'boat',
'bottle', 'bus', 'car', 'cat', 'chair',
'cow', 'diningtable', 'dog', 'horse',
'motorbike', 'person', 'pottedplant',
'sheep', 'sofa', 'train', 'tvmonitor'])
# initilize the network here.
#class-agnostic 方式只回归2类bounding box,即前景和背景
if args.net == 'vgg16':
fasterRCNN = vgg16(pascal_classes, pretrained=False, class_agnostic=args.class_agnostic)
elif args.net == 'res101':
fasterRCNN = resnet(pascal_classes, 101, pretrained=False, class_agnostic=args.class_agnostic)
elif args.net == 'res50':
fasterRCNN = resnet(pascal_classes, 50, pretrained=False, class_agnostic=args.class_agnostic)
elif args.net == 'res152':
fasterRCNN = resnet(pascal_classes, 152, pretrained=False, class_agnostic=args.class_agnostic)
else:
print("network is not defined")
#到了pdb.set_trace()那就会定下来,就可以看到调试的提示符(Pdb)了
pdb.set_trace()
fasterRCNN.create_architecture()#model.faster_rcnn.faster_rcnn.py 初始化模型 初始化权重
print("load checkpoint %s" % (load_name))#模型路径
if args.cuda > 0:#GPU
checkpoint = torch.load(load_name)
else:#CPU?
################################################################
#在cpu上加载预先训练好的GPU模型,强制所有GPU张量在CPU中的方式:
checkpoint = torch.load(load_name, map_location=(lambda storage, loc: storage))
#the_model = TheModelClass(*args, **kwargs)
#the_model.load_state_dict(torch.load(PATH))###恢复恢复
fasterRCNN.load_state_dict(checkpoint['model'])#恢复模型
if 'pooling_mode' in checkpoint.keys():
cfg.POOLING_MODE = checkpoint['pooling_mode']#pooling方式
print('load model successfully!')
# pdb.set_trace()
print("load checkpoint %s" % (load_name))
# initilize the tensor holder here.
#新建一些 一维Tensor
im_data = torch.FloatTensor(1)
im_info = torch.FloatTensor(1)
num_boxes = torch.LongTensor(1)
gt_boxes = torch.FloatTensor(1)
# ship to cuda
if args.cuda > 0:#如果用GPU,张量放到GPU上
im_data = im_data.cuda()
im_info = im_info.cuda()
num_boxes = num_boxes.cuda()
gt_boxes = gt_boxes.cuda()
# make variable
#ariable的volatile属性默认为False,如果某一个variable的volatile属性被设为True,
#那么所有依赖它的节点volatile属性都为True。
#volatile属性为True的节点不会求导,volatile的优先级比requires_grad高。
im_data = Variable(im_data, volatile=True)
im_info = Variable(im_info, volatile=True)
num_boxes = Variable(num_boxes, volatile=True)
gt_boxes = Variable(gt_boxes, volatile=True)
if args.cuda > 0:
cfg.CUDA = True
if args.cuda > 0:
fasterRCNN.cuda()
#model.eval(),让model变成测试模式,
#对dropout和batch normalization的操作在训练和测试的时候是不一样的
#pytorch会自动把BN和DropOut固定住,不会取平均,而是用训练好的值
fasterRCNN.eval()
#通过time()函数可以获取当前的时间
start = time.time()
max_per_image = 100
thresh = 0.05
vis = True
webcam_num = args.webcam_num
# Set up webcam or get image directories
if webcam_num >= 0 :#应该就是判断要不要自己用电脑录视频
#cap = cv2.VideoCapture(0) 打开笔记本的内置摄像头。
#cap = cv2.VideoCapture('D:\output.avi') 打开视频文件
cap = cv2.VideoCapture(webcam_num)
num_images = 0
else:#如果不用电脑录视频,那么就读取image路径下的图片
#os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表
#这个列表以字母顺序
imglist = os.listdir(args.image_dir)
num_images = len(imglist)#有多少张图片
print('Loaded Photo: {} images.'.format(num_images))
while (num_images >= 0):
total_tic = time.time()#当前时间
if webcam_num == -1:#如果不用摄像头
num_images -= 1
# Get image from the webcam
#从电脑摄像头读取图片
if webcam_num >= 0:
if not cap.isOpened():#摄像头开启失败
raise RuntimeError("Webcam could not open. Please check connection.")
#ret 为True 或者False,代表有没有读取到图片
#frame表示截取到一帧的图片
ret, frame = cap.read()
#摄像头截取到一帧的图片 存储为numpy数组
im_in = np.array(frame)
# Load the demo image
else:
#图片路径
im_file = os.path.join(args.image_dir, imglist[num_images])
# im = cv2.imread(im_file)
#读取的的图片 存储为numpy数组
im_in = np.array(imread(im_file))
if len(im_in.shape) == 2:
#np.newaxis的作用就是在这一位置增加一个一维,
#这一位置指的是np.newaxis所在的位置,比较抽象,需要配合例子理解。
#####################example
#x1 = np.array([1, 2, 3, 4, 5])
# the shape of x1 is (5,)
#x1_new = x1[:, np.newaxis]
# now, the shape of x1_new is (5, 1)
# array([[1],
# [2],
# [3],
# [4],
# [5]])
#x1_new = x1[np.newaxis,:]
# now, the shape of x1_new is (1, 5)
# array([[1, 2, 3, 4, 5]])
#####################
im_in = im_in[:,:,np.newaxis]#变为二维?
#数组拼接
#若axis=0,则要求除了a.shape[0]和b.shape[0]可以不等之外,其它维度必须相等
#若axis=0,则要求除了a.shape[0]和b.shape[0]可以不等之外,其它维度必须相等
#axis>=2 的情况以此类推,axis的值必须小于数组的维度
im_in = np.concatenate((im_in,im_in,im_in), axis=2)
# rgb -> bgr
#line[:-1]其实就是去除了这行文本的最后一个字符(换行符)后剩下的部分。
#line[::-1]字符串反过来 line = "abcde" line[::-1] 结果为:'edcba'
im = im_in[:,:,::-1]#RGB->BGR
blobs, im_scales = _get_image_blob(im)#图片变换 该文件上面定义的函数,返回处理后的值 和尺度
assert len(im_scales) == 1, "Only single-image batch implemented"
im_blob = blobs#处理后的值
#图像信息,长、宽、尺度
im_info_np = np.array([[im_blob.shape[1], im_blob.shape[2], im_scales[0]]], dtype=np.float32)
#从numpy变为Tensor
im_data_pt = torch.from_numpy(im_blob)
#permute 将tensor的维度换位。
#参数:参数是一系列的整数,代表原来张量的维度。比如三维就有0,1,2这些dimension。
#把索引为3的张量位置给提到前面了,例如128 128 3的图片变为 3 128 128
im_data_pt = im_data_pt.permute(0, 3, 1, 2)
#图像信息也变为tensor
im_info_pt = torch.from_numpy(im_info_np)
#将tensor的大小调整为指定的大小。
#如果元素个数比当前的内存大小大,就将底层存储大小调整为与新元素数目一致的大小。
im_data.data.resize_(im_data_pt.size()).copy_(im_data_pt)
im_info.data.resize_(im_info_pt.size()).copy_(im_info_pt)
gt_boxes.data.resize_(1, 1, 5).zero_()
num_boxes.data.resize_(1).zero_()
# pdb.set_trace()
det_tic = time.time()#当前时间
#参数带入模型
#rois: 兴趣区域,怎么表示???????????
# rois blob: holds R regions of interest, each is a 5-tuple
# (n, x1, y1, x2, y2) specifying an image batch index n and a
# rectangle (x1, y1, x2, y2)
# top[0].reshape(1, 5)
#cls_prob: softmax得到的概率值
#bbox_pred: 偏移
#rpn_loss_cls分类损失,计算softmax的损失,输入labels和cls layer的18个输出(中间reshape了一下),输出损失函数的具体值
#rpn_loss_box 计算的框回归损失函数具体的值
rois, cls_prob, bbox_pred, \
rpn_loss_cls, rpn_loss_box, \
RCNN_loss_cls, RCNN_loss_bbox, \
rois_label = fasterRCNN(im_data, im_info, gt_boxes, num_boxes)
scores = cls_prob.data#分类概率值
###################################################
#boxes包含框的坐标
#各维度表示什么??????????
boxes = rois.data[:, :, 1:5]#?????????????????????
if cfg.TEST.BBOX_REG:#Train bounding-box regressors TRUE or FALSE
# Apply bounding-box regression deltas
box_deltas = bbox_pred.data#偏移值
if cfg.TRAIN.BBOX_NORMALIZE_TARGETS_PRECOMPUTED:
# Optionally normalize targets by a precomputed mean and stdev
if args.class_agnostic:
if args.cuda > 0:
#box_deltas.view改变维度
box_deltas = box_deltas.view(-1, 4) * torch.FloatTensor(cfg.TRAIN.BBOX_NORMALIZE_STDS).cuda() \
+ torch.FloatTensor(cfg.TRAIN.BBOX_NORMALIZE_MEANS).cuda()
else:
box_deltas = box_deltas.view(-1, 4) * torch.FloatTensor(cfg.TRAIN.BBOX_NORMALIZE_STDS) \
+ torch.FloatTensor(cfg.TRAIN.BBOX_NORMALIZE_MEANS)
box_deltas = box_deltas.view(1, -1, 4)
else:
if args.cuda > 0:
box_deltas = box_deltas.view(-1, 4) * torch.FloatTensor(cfg.TRAIN.BBOX_NORMALIZE_STDS).cuda() \
+ torch.FloatTensor(cfg.TRAIN.BBOX_NORMALIZE_MEANS).cuda()
else:
box_deltas = box_deltas.view(-1, 4) * torch.FloatTensor(cfg.TRAIN.BBOX_NORMALIZE_STDS) \
+ torch.FloatTensor(cfg.TRAIN.BBOX_NORMALIZE_MEANS)
box_deltas = box_deltas.view(1, -1, 4 * len(pascal_classes))
#model.rpn.bbox_transform 根据anchor和偏移量计算proposals
#最后返回的是左上和右下顶点的坐标[x1,y1,x2,y2]。
pred_boxes = bbox_transform_inv(boxes, box_deltas, 1)
#model.rpn.bbox_transform
#将改变坐标信息后超过图像边界的框的边框裁剪一下,使之在图像边界之内
pred_boxes = clip_boxes(pred_boxes, im_info.data, 1)
else:
# Simply repeat the boxes, once for each class
#Numpy的 tile() 函数,就是将原矩阵横向、纵向地复制,这里是横向
pred_boxes = np.tile(boxes, (1, scores.shape[1]))
pred_boxes /= im_scales[0]
#squeeze 函数:从数组的形状中删除单维度条目,即把shape中为1的维度去掉
scores = scores.squeeze()
pred_boxes = pred_boxes.squeeze()
det_toc = time.time()#当前时间
detect_time = det_toc - det_tic#detect_time
misc_tic = time.time()
if vis:
im2show = np.copy(im)
for j in xrange(1, len(pascal_classes)):#所有类别
#torch.nonzero
#返回一个包含输入input中非零元素索引的张量,输出张量中的每行包含输入中非零元素的索引
#若输入input有n维,则输出的索引张量output形状为z * n, 这里z是输入张量input中所有非零元素的个数
inds = torch.nonzero(scores[:,j]>thresh).view(-1)#参数中的-1就代表这个位置由其他位置的数字来推断
# if there is det
#torch.numel() 返回一个tensor变量内所有元素个数,可以理解为矩阵内元素的个数
if inds.numel() > 0:
cls_scores = scores[:,j][inds]
#torch.sort(input, dim=None, descending=False, out=None)有true,则表示降序,默认升序
_, order = torch.sort(cls_scores, 0, True)#沿第0列降序
if args.class_agnostic:#两类
cls_boxes = pred_boxes[inds, :]
else:
cls_boxes = pred_boxes[inds][:, j * 4:(j + 1) * 4]#why???
#按行连接起来,torch.unsqueeze()这个函数主要是对数据维度进行扩充
cls_dets = torch.cat((cls_boxes, cls_scores.unsqueeze(1)), 1)
# cls_dets = torch.cat((cls_boxes, cls_scores), 1)
cls_dets = cls_dets[order]
#model.nms.nms_wrapper
keep = nms(cls_dets, cfg.TEST.NMS, force_cpu=not cfg.USE_GPU_NMS)
cls_dets = cls_dets[keep.view(-1).long()]
if vis:
#model.utils.net_utils
im2show = vis_detections(im2show, pascal_classes[j], cls_dets.cpu().numpy(), 0.5)
misc_toc = time.time()
nms_time = misc_toc - misc_tic
if webcam_num == -1:
#当我们使用print(obj)在console上打印对象的时候,实质上调用的是sys.stdout.write(obj+'\n')
sys.stdout.write('im_detect: {:d}/{:d} {:.3f}s {:.3f}s \r' \
.format(num_images + 1, len(imglist), detect_time, nms_time))
sys.stdout.flush()
if vis and webcam_num == -1:
# cv2.imshow('test', im2show)
# cv2.waitKey(0)
result_path = os.path.join(args.image_dir, imglist[num_images][:-4] + "_det.jpg")
cv2.imwrite(result_path, im2show)
else:
im2showRGB = cv2.cvtColor(im2show, cv2.COLOR_BGR2RGB)
cv2.imshow("frame", im2showRGB)
total_toc = time.time()
total_time = total_toc - total_tic
frame_rate = 1 / total_time
print('Frame rate:', frame_rate)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
if webcam_num >= 0:
cap.release()
cv2.destroyAllWindows()