目录
学习前言
……又看了很久的SSD算法，今天讲解一下训练部分的代码。
预测部分的代码可以参照https://www.jb51.net/article/246905.htm
讲解构架
本次教程的讲解主要是对训练部分的代码进行讲解，该部分讲解主要是对训练函数的执行过程与执行思路进行详解。
训练函数的执行过程大体上分为：
1、设定训练参数。
2、读取数据集。
3、建立ssd网络。
4、预处理数据集。
5、对ground truth实际框进行编码，使其格式符合神经网络的预测结果，便于比较。
6、计算loss值。
7、利用优化器完成梯度下降并保存模型。
在看本次算法前，建议先下载我简化过的源码，配合观看，具体运行方法在开始训练部分
下载链接 https://pan.baidu.com/s/1K4RAJvLj11blywuX2CrLSA
提取码：4wbi
模型训练的流程
本文使用的ssd_vgg_300的源码点击下载，本文对其进行了简化，保留了上一次筛选出的预测部分，还加入了训练部分，便于理顺整个SSD的框架。
1、设置参数
在载入数据库前，首先要设定一系列的参数，这些参数可以分为几个部分。第一部分是SSD网络中的一些标志参数：
# =========================================================================== #
# SSD Network flags.
# =========================================================================== #
# localization框的衰减比率
tf.app.flags.DEFINE_float(
\'loss_alpha\', 1., \'Alpha parameter in the loss function.\')
# 正负样本比率
tf.app.flags.DEFINE_float(
\'negative_ratio\', 3., \'Negative ratio in the loss function.\')
# ground truth处理后，匹配得分高于match_threshold属于正样本
tf.app.flags.DEFINE_float(
\'match_threshold\', 0.5, \'Matching threshold in the loss function.\')
第二部分是训练时的参数（包括训练效果输出、保存方案等）：
# =========================================================================== #
# General Flags.
# =========================================================================== #
# train_dir用于保存训练后的模型和日志
tf.app.flags.DEFINE_string(
\'train_dir\', \'/tmp/tfmodel/\',
\'Directory where checkpoints and event logs are written to.\')
# num_readers是在对数据集进行读取时所用的平行读取器个数
tf.app.flags.DEFINE_integer(
\'num_readers\', 4,
\'The number of parallel readers that read data from the dataset.\')
# 在进行训练batch的构建时，所用的线程数
tf.app.flags.DEFINE_integer(
\'num_preprocessing_threads\', 4,
\'The number of threads used to create the batches.\')
# 每十步进行一次log输出，在窗口上
tf.app.flags.DEFINE_integer(
\'log_every_n_steps\', 10,
\'The frequency with which logs are print.\')
# 每600秒存储一次记录
tf.app.flags.DEFINE_integer(
\'save_summaries_secs\', 600,
\'The frequency with which summaries are saved, in seconds.\')
# 每600秒存储一次模型
tf.app.flags.DEFINE_integer(
\'save_interval_secs\', 600,
\'The frequency with which the model is saved, in seconds.\')
# 可以使用的gpu内存数量
tf.app.flags.DEFINE_float(
\'gpu_memory_fraction\', 0.7, \'GPU memory fraction to use.\')
第三部分是优化器参数：
# =========================================================================== #
# Optimization Flags.
# =========================================================================== #
# 优化器参数
# weight_decay参数
tf.app.flags.DEFINE_float(
\'weight_decay\', 0.00004, \'The weight decay on the model weights.\')
# 使用什么优化器
tf.app.flags.DEFINE_string(
\'optimizer\', \'rmsprop\',
\'The name of the optimizer, one of \"adadelta\", \"adagrad\", \"adam\",\'
\'\"ftrl\", \"momentum\", \"sgd\" or \"rmsprop\".\')
tf.app.flags.DEFINE_float(
\'adadelta_rho\', 0.95,
\'The decay rate for adadelta.\')
tf.app.flags.DEFINE_float(
\'adagrad_initial_accumulator_value\', 0.1,
\'Starting value for the AdaGrad accumulators.\')
tf.app.flags.DEFINE_float(
\'adam_beta1\', 0.9,
\'The exponential decay rate for the 1st moment estimates.\')
tf.app.flags.DEFINE_float(
\'adam_beta2\', 0.999,
\'The exponential decay rate for the 2nd moment estimates.\')
tf.app.flags.DEFINE_float(\'opt_epsilon\', 1.0, \'Epsilon term for the optimizer.\')
tf.app.flags.DEFINE_float(\'ftrl_learning_rate_power\', -0.5,
\'The learning rate power.\')
tf.app.flags.DEFINE_float(
\'ftrl_initial_accumulator_value\', 0.1,
\'Starting value for the FTRL accumulators.\')
tf.app.flags.DEFINE_float(
\'ftrl_l1\', 0.0, \'The FTRL l1 regularization strength.\')
tf.app.flags.DEFINE_float(
\'ftrl_l2\', 0.0, \'The FTRL l2 regularization strength.\')
tf.app.flags.DEFINE_float(
\'momentum\', 0.9,
\'The momentum for the MomentumOptimizer and RMSPropOptimizer.\')
tf.app.flags.DEFINE_float(\'rmsprop_momentum\', 0.9, \'Momentum.\')
tf.app.flags.DEFINE_float(\'rmsprop_decay\', 0.9, \'Decay term for RMSProp.\')
第四部分是学习率参数：
# =========================================================================== #
# Learning Rate Flags.
# =========================================================================== #
# 学习率衰减的方式，有固定、指数衰减等
tf.app.flags.DEFINE_string(
\'learning_rate_decay_type\',
\'exponential\',
\'Specifies how the learning rate is decayed. One of \"fixed\", \"exponential\",\'
\' or \"polynomial\"\')
# 初始学习率
tf.app.flags.DEFINE_float(\'learning_rate\', 0.01, \'Initial learning rate.\')
# 结束时的学习率
tf.app.flags.DEFINE_float(
\'end_learning_rate\', 0.0001,
\'The minimal end learning rate used by a polynomial decay learning rate.\')
tf.app.flags.DEFINE_float(
\'label_smoothing\', 0.0, \'The amount of label smoothing.\')
# 学习率衰减因素
tf.app.flags.DEFINE_float(
\'learning_rate_decay_factor\', 0.94, \'Learning rate decay factor.\')
tf.app.flags.DEFINE_float(
\'num_epochs_per_decay\', 2.0,
\'Number of epochs after which learning rate decays.\')
tf.app.flags.DEFINE_float(
\'moving_average_decay\', None,
\'The decay to use for the moving average.\'
\'If left as None, then moving averages are not used.\')
第五部分是数据集参数：
# =========================================================================== #
# Dataset Flags.
# =========================================================================== #
# 数据集名称
tf.app.flags.DEFINE_string(
\'dataset_name\', \'imagenet\', \'The name of the dataset to load.\')
# 数据集种类个数
tf.app.flags.DEFINE_integer(
\'num_classes\', 21, \'Number of classes to use in the dataset.\')
# 训练还是测试
tf.app.flags.DEFINE_string(
\'dataset_split_name\', \'train\', \'The name of the train/test split.\')
# 数据集目录
tf.app.flags.DEFINE_string(
\'dataset_dir\', None, \'The directory where the dataset files are stored.\')
tf.app.flags.DEFINE_integer(
\'labels_offset\', 0,
\'An offset for the labels in the dataset. This flag is primarily used to \'
\'evaluate the VGG and ResNet architectures which do not use a background \'
\'class for the ImageNet dataset.\')
tf.app.flags.DEFINE_string(
\'model_name\', \'ssd_300_vgg\', \'The name of the architecture to train.\')
tf.app.flags.DEFINE_string(
\'preprocessing_name\', None, \'The name of the preprocessing to use. If left \'
\'as `None`, then the model_name flag is used.\')
# 每一次训练batch的大小
tf.app.flags.DEFINE_integer(
\'batch_size\', 32, \'The number of samples in each batch.\')
# 训练图片的大小
tf.app.flags.DEFINE_integer(
\'train_image_size\', None, \'Train image size\')
# 最大训练次数
tf.app.flags.DEFINE_integer(\'max_number_of_steps\', 50000,
\'The maximum number of training steps.\')
第六部分是微修已有的模型所需的参数：
# =========================================================================== #
# Fine-Tuning Flags.
# =========================================================================== #
# 该部分参数用于微修已有的模型
# 原模型的位置
tf.app.flags.DEFINE_string(
\'checkpoint_path\', None,
\'The path to a checkpoint from which to fine-tune.\')
tf.app.flags.DEFINE_string(
\'checkpoint_model_scope\', None,
\'Model scope in the checkpoint. None if the same as the trained model.\')
# 哪些变量不要
tf.app.flags.DEFINE_string(
\'checkpoint_exclude_scopes\', None,
\'Comma-separated list of scopes of variables to exclude when restoring \'
\'from a checkpoint.\')
# 那些变量不训练
tf.app.flags.DEFINE_string(
\'trainable_scopes\', None,
\'Comma-separated list of scopes to filter the set of variables to train.\'
\'By default, None would train all the variables.\')
# 忽略丢失的变量
tf.app.flags.DEFINE_boolean(
\'ignore_missing_vars\', False,
\'When restoring a checkpoint would ignore missing variables.\')
FLAGS = tf.app.flags.FLAGS
所有的参数的意义我都进行了标注，在实际训练的时候需要修改一些参数的内容，这些参数看起来多，其实只是包含了一个网络训练所有必须的部分：
- 网络主体参数；
- 训练时的普通参数（包括训练效果输出、保存方案等）；
- 优化器参数；
- 学习率参数；
- 数据集参数；
- 微修已有的模型的参数设置。
2、读取数据集
在训练流程中，其通过如下函数读取数据集
##########################读取数据集部分#############################
# 选择数据库
dataset = dataset_factory.get_dataset(
FLAGS.dataset_name, FLAGS.dataset_split_name, FLAGS.dataset_dir)
dataset_factory里面放的是数据集获取和处理的函数，这里面对应了4个数据集， 利用datasets_map存储了四个数据集的处理代码。
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
from datasets import cifar10
from datasets import imagenet
from datasets import pascalvoc_2007
from datasets import pascalvoc_2012
datasets_map = {
\'cifar10\': cifar10,
\'imagenet\': imagenet,
\'pascalvoc_2007\': pascalvoc_2007,
\'pascalvoc_2012\': pascalvoc_2012,
}
def get_dataset(name, split_name, dataset_dir, file_pattern=None, reader=None):
\"\"\"
给定一个数据集名和一个拆分名返回一个数据集。
参数:
name: String, 数据集名称
split_name: 训练还是测试
dataset_dir: 存储数据集文件的目录。
file_pattern: 用于匹配数据集源文件的文件模式。
reader: tf.readerbase的子类。如果保留为“none”，则使用每个数据集定义的默认读取器。
Returns:
数据集
\"\"\"
if name not in datasets_map:
raise ValueError(\'Name of dataset unknown %s\' % name)
return datasets_map[name].get_split(split_name,
dataset_dir,
file_pattern,
reader)
我们这里用到pascalvoc_2012的数据，所以当返回datasets_map[name].get_split这个代码时，实际上调用的是：
pascalvoc_2012.get_split(split_name, dataset_dir, file_pattern, reader)
在pascalvoc_2012中get_split的执行过程如下，其中file_pattern = ‘voc_2012_%s_*.tfrecord’，这个名称是训练的图片的默认名称，实际训练的tfrecord文件名称像这样voc_2012_train_001.tfrecord，意味着可以读取这样的训练文件：
def get_split(split_name, dataset_dir, file_pattern=None, reader=None):
\"\"\"Gets a dataset tuple with instructions for reading ImageNet.
Args:
split_name: 训练还是测试
dataset_dir: 数据集的位置
file_pattern: 匹配数据集源时要使用的文件模式。
假定模式包含一个\'%s\'字符串，以便可以插入拆分名称
reader: TensorFlow阅读器类型。
Returns:
数据集.
\"\"\"
if not file_pattern:
file_pattern = FILE_PATTERN
return pascalvoc_common.get_split(split_name, dataset_dir,
file_pattern, reader,
SPLITS_TO_SIZES,
ITEMS_TO_DESCRIPTIONS,
NUM_CLASSES)
再进入到pascalvoc_common文件后，实际上就开始对tfrecord的文件进行分割了，通过代码注释我们了解代码的执行过程，其中tfrecord的文件读取就是首先按照keys_to_features的内容进行文件解码，解码后的结果按照items_to_handlers的格式存入数据集：
def get_split(split_name, dataset_dir, file_pattern, reader,
split_to_sizes, items_to_descriptions, num_classes):
\"\"\"Gets a dataset tuple with instructions for reading Pascal VOC dataset.
给定一个数据集名和一个拆分名返回一个数据集。
参数:
name: String, 数据集名称
split_name: 训练还是测试
dataset_dir: 存储数据集文件的目录。
file_pattern: 用于匹配数据集源文件的文件模式。
reader: tf.readerbase的子类。如果保留为“none”，则使用每个数据集定义的默认读取器。
Returns:
数据集
\"\"\"
if split_name not in split_to_sizes:
raise ValueError(\'split name %s was not recognized.\' % split_name)
# file_pattern是取得的tfrecord数据集的位置
file_pattern = os.path.join(dataset_dir, file_pattern % split_name)
# 当没有的时候使用默认reader
if reader is None:
reader = tf.TFRecordReader
# VOC数据集中的文档内容
keys_to_features = {
\'image/encoded\': tf.FixedLenFeature((), tf.string, default_value=\'\'),
\'image/format\': tf.FixedLenFeature((), tf.string, default_value=\'jpeg\'),
\'image/height\': tf.FixedLenFeature([1], tf.int64),
\'image/width\': tf.FixedLenFeature([1], tf.int64),
\'image/channels\': tf.FixedLenFeature([1], tf.int64),
\'image/shape\': tf.FixedLenFeature([3], tf.int64),
\'image/object/bbox/xmin\': tf.VarLenFeature(dtype=tf.float32),
\'image/object/bbox/ymin\': tf.VarLenFeature(dtype=tf.float32),
\'image/object/bbox/xmax\': tf.VarLenFeature(dtype=tf.float32),
\'image/object/bbox/ymax\': tf.VarLenFeature(dtype=tf.float32),
\'image/object/bbox/label\': tf.VarLenFeature(dtype=tf.int64),
\'image/object/bbox/difficult\': tf.VarLenFeature(dtype=tf.int64),
\'image/object/bbox/truncated\': tf.VarLenFeature(dtype=tf.int64),
}
# 解码方式
items_to_handlers = {
\'image\': slim.tfexample_decoder.Image(\'image/encoded\', \'image/format\'),
\'shape\': slim.tfexample_decoder.Tensor(\'image/shape\'),
\'object/bbox\': slim.tfexample_decoder.BoundingBox(
[\'ymin\', \'xmin\', \'ymax\', \'xmax\'], \'image/object/bbox/\'),
\'object/label\': slim.tfexample_decoder.Tensor(\'image/object/bbox/label\'),
\'object/difficult\': slim.tfexample_decoder.Tensor(\'image/object/bbox/difficult\'),
\'object/truncated\': slim.tfexample_decoder.Tensor(\'image/object/bbox/truncated\'),
}
# 将tfrecord上keys_to_features的部分解码到items_to_handlers上
decoder = slim.tfexample_decoder.TFExampleDecoder(
keys_to_features, items_to_handlers)
labels_to_names = None
if dataset_utils.has_labels(dataset_dir):
labels_to_names = dataset_utils.read_label_file(dataset_dir)
return slim.dataset.Dataset(
data_sources=file_pattern, # 数据源
reader=reader, # tf.TFRecordReader
decoder=decoder, # 解码结果
num_samples=split_to_sizes[split_name], # 17125
items_to_descriptions=items_to_descriptions, # 每一个item的描述
num_classes=num_classes, # 种类
labels_to_names=labels_to_names)
通过上述一系列操作，实际上是返回了一个slim.dataset.Dataset数据集，而一系列函数的调用，实际上是为了调用对应的数据集。
3、建立ssd网络。
建立ssd网络的过程并不复杂，没有许多函数的调用，实际执行过程如果了解ssd网络的预测部分就很好理解，我这里只讲下逻辑：
1、利用ssd_class = ssd_vgg_300.SSDNet获得SSDNet的类
2、替换种类的数量num_classes参数
3、利用ssd_net = ssd_class(ssd_params)建立网络
4、获得先验框
调用的代码如下：
###########################建立ssd网络############################## # 获得SSD的网络和它的先验框 ssd_class = ssd_vgg_300.SSDNet # 替换种类的数量num_classes参数 ssd_params = ssd_class.default_params._replace(num_classes=FLAGS.num_classes) # 成功建立了网络net，替换参数 ssd_net = ssd_class(ssd_params) # 获得先验框 ssd_shape = ssd_net.params.img_shape ssd_anchors = ssd_net.anchors(ssd_shape) # 包括六个特征层的先验框
4、预处理数据集
预处理数据集的代码比较长，但是逻辑并不难理解。
1、获得数据集名称。
2、获取数据集处理的函数。
3、利用DatasetDataProviders从数据集中提供数据，进行数据的预加载。
4、获取原始的图片和它对应的label，框ground truth的位置
5、预处理图片标签和框的位置
具体实现的代码如下：
###########################预处理数据集##############################
# preprocessing_name等于ssd_300_vgg
preprocessing_name = FLAGS.preprocessing_name or FLAGS.model_name
# 根据名字进行处理获得处理函数
image_preprocessing_fn = preprocessing_factory.get_preprocessing(
preprocessing_name, is_training=True)
# 打印参数
tf_utils.print_configuration(FLAGS.__flags, ssd_params,
dataset.data_sources, FLAGS.train_dir)
# DatasetDataProviders从数据集中提供数据. 通过配置，
# 可以同时使用多个readers或者使用单个reader提供数据。此外，被读取的数据
# 可以被打乱顺序
# 预加载
with tf.name_scope(FLAGS.dataset_name + \'_data_provider\'):
provider = slim.dataset_data_provider.DatasetDataProvider(
dataset,
num_readers=FLAGS.num_readers,
common_queue_capacity=20 * FLAGS.batch_size,
common_queue_min=10 * FLAGS.batch_size,
shuffle=True)
# 获取原始的图片和它对应的label，框ground truth的位置
[image, _, glabels, gbboxes] = provider.get([\'image\', \'shape\',
\'object/label\',
\'object/bbox\'])
# 预处理图片标签和框的位置
image, glabels, gbboxes = \\
image_preprocessing_fn(image, glabels, gbboxes,
out_shape=ssd_shape,
data_format=DATA_FORMAT)
在这一部分中，可能存在的疑惑的是第二步和第五步，实际上第五步调用的就是第二步中的图像预处理函数，所以我们只要看懂第二步“获取数据集处理的函数“即可。
获得处理函数的代码是：
# 根据名字进行处理获得处理函数
image_preprocessing_fn = preprocessing_factory.get_preprocessing(
preprocessing_name, is_training=True)
preprocessing_factory的文件夹内存放的都是图片处理的代码，在进入到get_preprocessing方法后，实际上会返回一个preprocessing_fn函数。
该函数的作用实际上是返回ssd_vgg_preprocessing.preprocess_image处理后的结果。
而ssd_vgg_preprocessing.preprocess_image实际上是preprocess_for_train处理后的结果。
preprocessing_factory的get_preprocessing代码如下：
def get_preprocessing(name, is_training=False):
preprocessing_fn_map = {
\'ssd_300_vgg\': ssd_vgg_preprocessing
}
if name not in preprocessing_fn_map:
raise ValueError(\'Preprocessing name [%s] was not recognized\' % name)
def preprocessing_fn(image, labels, bboxes,
out_shape, data_format=\'NHWC\', **kwargs):
# 这里实际上调用ssd_vgg_preprocessing.preprocess_image
return preprocessing_fn_map[name].preprocess_image(
image, labels, bboxes, out_shape, data_format=data_format,
is_training=is_training, **kwargs)
return preprocessing_fn
ssd_vgg_preprocessing的preprocess_image代码如下：
def preprocess_image(image,
labels,
bboxes,
out_shape,
data_format,
is_training=False,
**kwargs):
\"\"\"Pre-process an given image.
Args:
image: A `Tensor` representing an image of arbitrary size.
output_height: 预处理后图像的高度。
output_width: 预处理后图像的宽度。
is_training: 如果我们正在对图像进行预处理以进行训练，则为true；否则为false
resize_side_min: 图像最小边的下界，用于保持方向的大小调整，
如果“is_training”为“false”，则此值
用于重新缩放
resize_side_max: 图像最小边的上界，用于保持方向的大小调整
如果“is_training”为“false”，则此值
用于重新缩放
the resize side is sampled from
[resize_size_min, resize_size_max].
Returns:
预处理后的图片
\"\"\"
if is_training:
return preprocess_for_train(image, labels, bboxes,
out_shape=out_shape,
data_format=data_format)
else:
return preprocess_for_eval(image, labels, bboxes,
out_shape=out_shape,
data_format=data_format,
**kwargs)
实际上最终是通过preprocess_for_train处理数据集。
preprocess_for_train处理的过程是：
1、改变数据类型。
2、样本框扭曲。
3、将图像大小调整为输出大小。
4、随机水平翻转图像。
5、随机扭曲颜色。有四种方法。
6、图像减去平均值
执行代码如下：
def preprocess_for_train(image, labels, bboxes,
out_shape, data_format=\'NHWC\',
scope=\'ssd_preprocessing_train\'):
\"\"\"Preprocesses the given image for training.
Note that the actual resizing scale is sampled from
[`resize_size_min`, `resize_size_max`].
参数:
image: 图片，任意size的图片.
output_height: 处理后的图片高度.
output_width: 处理后的图片宽度.
resize_side_min: 图像最小边的下界，用于保方面调整大小
resize_side_max: 图像最小边的上界，用于保方面调整大小
Returns:
处理过的图片
\"\"\"
fast_mode = False
with tf.name_scope(scope, \'ssd_preprocessing_train\', [image, labels, bboxes]):
if image.get_shape().ndims != 3:
raise ValueError(\'Input must be of size [height, width, C>0]\')
# 改变图片的数据类型
if image.dtype != tf.float32:
image = tf.image.convert_image_dtype(image, dtype=tf.float32)
# 样本框扭曲
dst_image = image
dst_image, labels, bboxes, _ = \\
distorted_bounding_box_crop(image, labels, bboxes,
min_object_covered=MIN_OBJECT_COVERED,
aspect_ratio_range=CROP_RATIO_RANGE)
# 将图像大小调整为输出大小。
dst_image = tf_image.resize_image(dst_image, out_shape,
method=tf.image.ResizeMethod.BILINEAR,
align_corners=False)
# 随机水平翻转图像.
dst_image, bboxes = tf_image.random_flip_left_right(dst_image, bboxes)
# 随机扭曲颜色。有四种方法.
dst_image = apply_with_random_selector(
dst_image,
lambda x, ordering: distort_color(x, ordering, fast_mode),
num_cases=4)
# 图像减去平均值
image = dst_image * 255.
image = tf_image_whitened(image, [_R_MEAN, _G_MEAN, _B_MEAN])
# 图像的类型
if data_format == \'NCHW\':
image = tf.transpose(image, perm=(2, 0, 1))
return image, labels, bboxes
5、框的编码
该部分利用如下代码调用框的编码代码：
gclasses, glocalisations, gscores = ssd_net.bboxes_encode(glabels, gbboxes, ssd_anchors)
实际上bboxes_encode方法中，调用的是ssd_common模块中的tf_ssd_bboxes_encode。
def bboxes_encode(self, labels, bboxes, anchors,
scope=None):
\"\"\"
进行编码操作
\"\"\"
return ssd_common.tf_ssd_bboxes_encode(
labels, bboxes, anchors,
self.params.num_classes,
self.params.no_annotation_label,
ignore_threshold=0.5,
prior_scaling=self.params.prior_scaling,
scope=scope)
ssd_common.tf_ssd_bboxes_encode执行的代码是对特征层每一层进行编码操作。
def tf_ssd_bboxes_encode(labels,
bboxes,
anchors,
num_classes,
no_annotation_label,
ignore_threshold=0.5,
prior_scaling=[0.1, 0.1, 0.2, 0.2],
dtype=tf.float32,
scope=\'ssd_bboxes_encode\'):
\"\"\"
对每一个特征层进行解码
\"\"\"
with tf.name_scope(scope):
target_labels = []
target_localizations = []
target_scores = []
for i, anchors_layer in enumerate(anchors):
with tf.name_scope(\'bboxes_encode_block_%i\' % i):
t_labels, t_loc, t_scores = \\
tf_ssd_bboxes_encode_layer(labels, bboxes, anchors_layer,
num_classes, no_annotation_label,
ignore_threshold,
prior_scaling, dtype)
target_labels.append(t_labels)
target_localizations.append(t_loc)
target_scores.append(t_scores)
return target_labels, target_localizations, target_scores
实际上具体解码的操作在函数tf_ssd_bboxes_encode_layer里，tf_ssd_bboxes_encode_layer解码的思路是：
1、创建一系列变量用于存储编码结果。
yref, xref, href, wref = anchors_layer
ymin = yref - href / 2.
xmin = xref - wref / 2.
ymax = yref + href / 2.
xmax = xref + wref / 2.
vol_anchors = (xmax - xmin) * (ymax - ymin)
# 1、创建一系列变量存储编码结果
# 每个特征层的shape
shape = (yref.shape[0], yref.shape[1], href.size)
# 每个特征层特定点，特定框的label
feat_labels = tf.zeros(shape, dtype=tf.int64) # (m, m, k)
# 每个特征层特定点，特定框的得分
feat_scores = tf.zeros(shape, dtype=dtype)
# 每个特征层特定点，特定框的位置
feat_ymin = tf.zeros(shape, dtype=dtype)
feat_xmin = tf.zeros(shape, dtype=dtype)
feat_ymax = tf.ones(shape, dtype=dtype)
feat_xmax = tf.ones(shape, dtype=dtype)
2、对所有的实际框都寻找其在特征层中对应的点与其对应的框，并将其标签找到。
# 用于计算IOU
def jaccard_with_anchors(bbox):
int_ymin = tf.maximum(ymin, bbox[0]) # (m, m, k)
int_xmin = tf.maximum(xmin, bbox[1])
int_ymax = tf.minimum(ymax, bbox[2])
int_xmax = tf.minimum(xmax, bbox[3])
h = tf.maximum(int_ymax - int_ymin, 0.)
w = tf.maximum(int_xmax - int_xmin, 0.)
# Volumes.
# 处理搜索框和bbox之间的联系
inter_vol = h * w # 交集面积
union_vol = vol_anchors - inter_vol \\
+ (bbox[2] - bbox[0]) * (bbox[3] - bbox[1]) # 并集面积
jaccard = tf.div(inter_vol, union_vol) # 交集/并集，即IOU
return jaccard # (m, m, k)
def condition(i,feat_labels, feat_scores,
feat_ymin, feat_xmin, feat_ymax, feat_xmax):
r = tf.less(i, tf.shape(labels))
return r[0]
# 该部分用于寻找实际中的框对应特征层的哪个框
def body(i, feat_labels, feat_scores,
feat_ymin, feat_xmin, feat_ymax, feat_xmax):
\"\"\"
更新功能标签、分数和bbox。
-JacCard>0.5时赋值；
\"\"\"
# 取出第i个标签和第i个bboxes
label = labels[i] # 当前图片上第i个对象的标签
bbox = bboxes[i] # 当前图片上第i个对象的真实框bbox
# 计算该box和所有anchor_box的IOU
jaccard = jaccard_with_anchors(bbox) # 当前对象的bbox和当前层的搜索网格IOU
# 所有高于历史的分的box被筛选
mask = tf.greater(jaccard, feat_scores) # 掩码矩阵，IOU大于历史得分的为True
mask = tf.logical_and(mask, feat_scores > -0.5)
imask = tf.cast(mask, tf.int64) #[1,0,1,1,0]
fmask = tf.cast(mask, dtype) #[1.,0.,1.,0. ... ]
# Update values using mask.
# 保证feat_labels存储对应位置得分最大对象标签，feat_scores存储那个得分
# (m, m, k) × 当前类别 + (1 - (m, m, k)) × (m, m, k)
# 更新label记录，此时的imask已经保证了True位置当前对像得分高于之前的对象得分，其他位置值不变
# 将所有被认为是label的框的值赋予feat_labels
feat_labels = imask * label + (1 - imask) * feat_labels
# 用于寻找最匹配的框
feat_scores = tf.where(mask, jaccard, feat_scores)
# 下面四个矩阵存储对应label的真实框坐标
# (m, m, k) × 当前框坐标scalar + (1 - (m, m, k)) × (m, m, k)
feat_ymin = fmask * bbox[0] + (1 - fmask) * feat_ymin
feat_xmin = fmask * bbox[1] + (1 - fmask) * feat_xmin
feat_ymax = fmask * bbox[2] + (1 - fmask) * feat_ymax
feat_xmax = fmask * bbox[3] + (1 - fmask) * feat_xmax
return [i + 1, feat_labels, feat_scores,
feat_ymin, feat_xmin, feat_ymax, feat_xmax]
i = 0
# 2、对所有的实际框都寻找其在特征层中对应的点与其对应的框，并将其标签找到。
(i,feat_labels, feat_scores,feat_ymin, feat_xmin,
feat_ymax, feat_xmax) = tf.while_loop(condition, body,
[i,
feat_labels, feat_scores,
feat_ymin, feat_xmin,
feat_ymax, feat_xmax])
3、转化成ssd中网络的输出格式。
# Transform to center / size.
# 3、转化成ssd中网络的输出格式。
feat_cy = (feat_ymax + feat_ymin) / 2.
feat_cx = (feat_xmax + feat_xmin) / 2.
feat_h = feat_ymax - feat_ymin
feat_w = feat_xmax - feat_xmin
# Encode features.
# 利用公式进行计算
# 以搜索网格中心点为参考，真实框中心的偏移，单位长度为网格hw
feat_cy = (feat_cy - yref) / href / prior_scaling[0]
feat_cx = (feat_cx - xref) / wref / prior_scaling[1]
# log((m, m, k) / (m, m, 1)) * 5
# 真实框宽高/搜索网格宽高，取对
feat_h = tf.log(feat_h / href) / prior_scaling[2]
feat_w = tf.log(feat_w / wref) / prior_scaling[3]
# Use SSD ordering: x / y / w / h instead of ours.(m, m, k, 4)
feat_localizations = tf.stack([feat_cx, feat_cy, feat_w, feat_h], axis=-1)
return feat_labels, feat_localizations, feat_scores
真实情况下的标签和框在编码完成后，格式与经过网络预测出的标签与框相同，此时才可以计算loss进行对比。
6、计算loss值
通过第五步获得的框的编码后的scores和locations指的是数据集标注的结果，是真实情况。而计算loss值还需要预测情况。
通过如下代码可以获得每个image的预测情况，将图片通过网络进行预测：
# 设置SSD网络的参数
arg_scope = ssd_net.arg_scope(weight_decay=FLAGS.weight_decay,
data_format=DATA_FORMAT)
# 将图片经过网络获得它们的框的位置和prediction
with slim.arg_scope(arg_scope):
_, localisations, logits, _ = \\
ssd_net.net(b_image, is_training=True)
再调用loss计算函数计算三个loss值，分别对应正样本，负样本，定位。
# 计算loss值
n_positives_loss,n_negative_loss,localization_loss = ssd_net.losses(logits, localisations,
b_gclasses, b_glocalisations, b_gscores,
match_threshold=FLAGS.match_threshold,
negative_ratio=FLAGS.negative_ratio,
alpha=FLAGS.loss_alpha,
label_smoothing=FLAGS.label_smoothing)
# 会得到三个loss值，分别对应正样本，负样本，定位
loss_all = n_positives_loss + n_negative_loss + localization_loss
ssd_net.losses中，具体通过如下方式进行损失值的计算。
1、对所有的图片进行铺平，将其种类预测的转化为(?,num_classes)，框预测的格式转化为(?,4)，实际种类和实际得分的格式转化为(?)，该步可以便于后面的比较与处理。最后将batch个图片平铺到同一表上。
2、在gscores中得到满足正样本得分的pmask正样本，不满足正样本得分的为nmask负样本，因为使用的是gscores，我们可以知道正样本负样本分类是针对真实值的。
3、将不满足正样本的位置设成对应prediction中背景的得分，其它设为1。
4、找到n_neg个最不可能为背景的点（实际上它是背景，这样利用二者计算的loss就很大）
5、分别计算正样本、负样本、框的位置的交叉熵。
def ssd_losses(logits, localisations,
gclasses, glocalisations, gscores,
match_threshold=0.5,
negative_ratio=3.,
alpha=1.,
label_smoothing=0.,
device=\'/cpu:0\',
scope=None):
with tf.name_scope(scope, \'ssd_losses\'):
lshape = tfe.get_shape(logits[0], 5)
num_classes = lshape[-1]
batch_size = lshape[0]
# 铺平所有vector
flogits = []
fgclasses = []
fgscores = []
flocalisations = []
fglocalisations = []
for i in range(len(logits)): # 按照图片循环
flogits.append(tf.reshape(logits[i], [-1, num_classes]))
fgclasses.append(tf.reshape(gclasses[i], [-1]))
fgscores.append(tf.reshape(gscores[i], [-1]))
flocalisations.append(tf.reshape(localisations[i], [-1, 4]))
fglocalisations.append(tf.reshape(glocalisations[i], [-1, 4]))
# 上一步所得的还存在batch个行里面，对应batch个图片
# 这一步将batch个图片平铺到同一表上
logits = tf.concat(flogits, axis=0)
gclasses = tf.concat(fgclasses, axis=0)
gscores = tf.concat(fgscores, axis=0)
localisations = tf.concat(flocalisations, axis=0)
glocalisations = tf.concat(fglocalisations, axis=0)
dtype = logits.dtype
# gscores中满足正样本得分的mask
pmask = gscores > match_threshold
fpmask = tf.cast(pmask, dtype)
no_classes = tf.cast(pmask, tf.int32)
nmask = tf.logical_and(tf.logical_not(pmask),# IOU达不到阈值的类别搜索框位置记1
gscores > -0.5)
fnmask = tf.cast(nmask, dtype)
n_positives = tf.reduce_sum(fpmask)
# 将预测结果转化成比率
predictions = slim.softmax(logits)
nvalues = tf.where(nmask,
predictions[:, 0], # 框内无物体标记为背景预测概率
1. - fnmask) # 框内有物体位置标记为1
nvalues_flat = tf.reshape(nvalues, [-1])
# max_neg_entries为实际上负样本的个数
max_neg_entries = tf.cast(tf.reduce_sum(fnmask), tf.int32)
# n_neg为正样本的个数*3 + batch_size , 之所以+batchsize是因为每个图最少有一个负样本背景
n_neg = tf.cast(negative_ratio * n_positives, tf.int32) + batch_size
n_neg = tf.minimum(n_neg, max_neg_entries)
# 找到n_neg个最不可能为背景的点
val, idxes = tf.nn.top_k(-nvalues_flat, k=n_neg)
max_hard_pred = -val[-1]
# 在nmask找到n_neg个最不可能为背景的点（实际上它是背景，这样二者的差就很大）
nmask = tf.logical_and(nmask, nvalues < max_hard_pred)
fnmask = tf.cast(nmask, dtype)
n_negative = tf.reduce_sum(fnmask)
# 交叉熵
with tf.name_scope(\'cross_entropy_pos\'):
loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits,
labels=gclasses)
n_positives_loss = tf.div(tf.reduce_sum(loss * fpmask), n_positives + 0.1, name=\'value\')
with tf.name_scope(\'cross_entropy_neg\'):
loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits,
labels=no_classes)
n_negative_loss = tf.div(tf.reduce_sum(loss * fnmask), n_negative + 0.1, name=\'value\')
# Add localization loss: smooth L1, L2, ...
with tf.name_scope(\'localization\'):
# Weights Tensor: positive mask + random negative.
weights = tf.expand_dims(alpha * fpmask, axis=-1)
loss = custom_layers.abs_smooth(localisations - glocalisations)
localization_loss = tf.div(tf.reduce_sum(loss * weights), n_positives + 0.1, name=\'value\')
return n_positives_loss,n_negative_loss,localization_loss
7、训练模型并保存
################################优化器设置##############################
learning_rate = tf_utils.configure_learning_rate(FLAGS,
dataset.num_samples,
global_step)
optimizer = tf_utils.configure_optimizer(FLAGS, learning_rate)
train_op = slim.learning.create_train_op(loss_all, optimizer,
summarize_gradients=True)
#################################训练并保存模型###########################
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=FLAGS.gpu_memory_fraction)
config = tf.ConfigProto(log_device_placement=False,
gpu_options=gpu_options)
saver = tf.train.Saver(max_to_keep=5,
keep_checkpoint_every_n_hours=1.0,
write_version=2,
pad_step_number=False)
slim.learning.train(
train_op, # 优化器
logdir=FLAGS.train_dir, # 保存模型的地址
master=\'\',
is_chief=True,
init_fn=tf_utils.get_init_fn(FLAGS), # 微调已存在模型时，初始化参数
number_of_steps=FLAGS.max_number_of_steps, # 最大步数
log_every_n_steps=FLAGS.log_every_n_steps, # 多少时间进行一次命令行输出
save_summaries_secs=FLAGS.save_summaries_secs, # 进行一次summary
saver=saver,
save_interval_secs=FLAGS.save_interval_secs, # 多长时间保存一次模型
session_config=config,
sync_optimizer=None)
开始训练
在根目录下创建一个名为train.sh的文件。利用git上的bash执行命令行。
首先转到文件夹中。
cd D:/Collection/SSD-Retry
再执行train.sh文件。
bash train.sh
train.sh的代码如下：
DATASET_DIR=./tfrecords
TRAIN_DIR=./logs/
CHECKPOINT_PATH=./checkpoints/ssd_300_vgg.ckpt
python train_demo.py \\
--train_dir=${TRAIN_DIR} \\
--dataset_dir=${DATASET_DIR} \\
--dataset_name=pascalvoc_2012 \\
--dataset_split_name=train \\
--model_name=ssd_300_vgg \\
--checkpoint_path=${CHECKPOINT_PATH} \\
--save_summaries_secs=60 \\
--save_interval_secs=600 \\
--weight_decay=0.0005 \\
--optimizer=adam \\
--learning_rate=0.001 \\
--batch_size=8
训练效果：
以上就是python目标检测SSD算法训练部分源码详解的详细内容，更多关于python目标检测SSD算法训练的资料请关注其它相关文章！
© 版权声明
THE END
暂无评论内容