目标检测-基于Pytorch实现Yolov3（1）- 搭建模型

• 2020 年 3 月 12 日
• 笔记

原文地址：https://www.cnblogs.com/jacklu/p/9853599.html

本人前段时间在T厂做了目标检测的项目，对一些目标检测框架也有了一定理解。其中Yolov3速度非常快，效果也还可以，但在github上还没有完整的基于pytorch的yolov3代码，目前star最多的pytorch yolov3项目只能做预测，没有训练代码，而且我看了它的model写得不是很有层次。自己准备利用接下来的几个周末把这个坑填上。

希望能够帮助开发者了解如何基于Pytorch实现一个强大的目标检测模型，同时可以方便的将模型应用到自己的数据集里。完整的源代码准备在文章结束后考虑发布在github上。

准备的目录：

目标检测-基于Pytorch实现Yolov3（1）- 搭建模型 （model.py，最容易的部分，所以第一篇写这个）

目标检测-基于Pytorch实现Yolov3（2）- 数据预处理及数据加载 (dataloader.py，非常重要的一部分，代码工作量最大，定制化只要在这一部分下功夫)

目标检测-基于Pytorch实现Yolov3（3）- 目标函数 (loss.py，最重要的部分，直接决定了网络的效果，难度也是5部分里最大的)

目标检测-基于Pytorch实现Yolov3（4）- 模型训练 (train.py，前面重要的3部分都做完了，这部分就是写完代码喝茶看曲线的时间)

目标检测-基于Pytorch实现Yolov3（5）- 模型预测 (test.py，检验模型训练好坏，还有一些坑要填)

代码主要参考github上基于keras的yolov3的实现，代码结构非常清晰。

Darknet卷积模块

Yolo系列的作者把yolo网络叫做Darknet，其实其他神经网络库都已经把卷积层写好了，直接堆叠起来即可。

darknet卷积模块是这个模型里最基本的网络单元，包括卷积层、batch norm(BN)层、激活函数，因此类型命名为 DarknetConv2D_BN_Leaky。原keras实现是卷积层加了L2正则化预防过拟合，Pytorch是把这个操作放到了Optimizer中，所以将在第三部分讲解。

用Pytorch需要注意, 如果你训练的时候GPU显存不大，batch size设的很小，这时候你就要考虑训练数据集的分布情况。举个例子，加入你的batch size设成了1，但你数据每张图差别都很大，这会导致你的网络一直在震荡，即使网络能够训练到很低的training loss，

在做预测的时候效果也不好，这主要是BN造成的。因为每批数据的统计量（均值和方差）都不同，而且差别大，这就导致网络训练学不到好的BN层的统计量。如果直接去掉BN层，你会发现网络训练非常慢，所以BN层还是要加的，好在Pytorch里的BN有个接口来控制要不要记住每批训练的统计量，即track_running_stats=True，如果训练的batch size不能设特别大，就把它改成False。

卷积层、BN层说完了，激活函数Yolo里用的是0.1的LeakReLU，本人实验发现和ReLU没什么明显的区别（水论文真是一门艺术，我的水文怎么就不中嘞？）

结构很简答，这部分直接上代码，不画图了。

import torch.nn as nn  import torch  class DarknetConv2D_BN_Leaky(nn.Module):      def __init__(self, numIn, numOut, ksize, stride = 1, padding = 1):          super(DarknetConv2D_BN_Leaky, self).__init__()          self.conv1 = nn.Conv2d(numIn, numOut, ksize, stride, padding)#regularizer': l2(5e-4)          self.bn1 = nn.BatchNorm2d(numOut)          self.leakyReLU = nn.LeakyReLU(0.1)        def forward(self, x):          x = self.conv1(x)          x = self.bn1(x)          x = self.leakyReLU(x)          return x

残差模块

残差模块是借鉴了ResNet，残差模块是为了保证深的模型能够得到很好的训练。残差模块ResidualBlock，对外接口有numIn, numOut, numBlock，分别控制模块的输入通道数，输出通道数（卷积核数）和残差模块的堆叠次数。下图是一个numBlock = 2 的模型，注意这里CONV是指上一部分说的Darknet卷积模块，第一个模块（D2）表示是这个卷积模块stride = 2，及顺便执行了2倍降采样操作。也就是说特征每经过一个残差模块，分辨率降为原来的一半。

class ResidualBlock(nn.Module):      def __init__(self, numIn, numOut, numBlock):          super(ResidualBlock, self).__init__()          self.numBlock = numBlock          self.dark_conv1 = DarknetConv2D_BN_Leaky(numIn, numOut, ksize = 3, stride = 2, padding = 1)          self.dark_conv2 = []          for i in range(self.numBlock):              layers = []              layers.append(DarknetConv2D_BN_Leaky(numOut, numOut//2, ksize = 1, stride = 1, padding = 0))              layers.append(DarknetConv2D_BN_Leaky(numOut//2, numOut, ksize = 3, stride = 1, padding = 1))              self.dark_conv2.append(nn.Sequential(*layers))          self.dark_conv2 = nn.ModuleList(self.dark_conv2)      def forward(self, x):          x = self.dark_conv1(x)          for convblock in self.dark_conv2:              residual = x              x = self.convblock(x)              x = x + residual          return x

后端输出模块

后端输出模块是一个三次降采样（三次升采样在下一部分介绍），这三次降采样+三次升采样，类似Encoder-Decoder的FCN模型。是为了在三种不同尺度上预测。本系列将在voc2007上训练，训练前输入图片要resize到256×256，那么这三种尺度分别是32×32,16×16,8×8。这一部分是因为图片中的目标有大有小，为了保证从不同尺度上找到最好尺度的特征图来进行预测。当然准确提升的同时，由于分辨率有提升，计算量又有一定的增加，索性我们这里的分辨率不大。下图所示为最后输出模块，这个模块有两个输出，一个是用作下一个模块的输入，一个是用于输出目标检测结果，即坐标、类别和目标置信度，这一部分将在下一篇详细介绍。注意红色的Conv不是DarknetConv2D_BN_Leaky，而是指普通的卷积模块。

class LastLayer(nn.Module):      def __init__(self, numIn, numOut, numOut2):          super(LastLayer, self).__init__()          self.dark_conv1 = DarknetConv2D_BN_Leaky(numIn, numOut, ksize = 1, stride = 1, padding = 0)          self.dark_conv2 = DarknetConv2D_BN_Leaky(numOut, numOut*2, ksize = 3, stride = 1, padding = 1)          self.dark_conv3 = DarknetConv2D_BN_Leaky(numOut*2, numOut, ksize = 1, stride = 1, padding = 0)          self.dark_conv4 = DarknetConv2D_BN_Leaky(numOut, numOut*2, ksize = 3, stride = 1, padding = 1)          self.dark_conv5 = DarknetConv2D_BN_Leaky(numOut*2, numOut, ksize = 1, stride = 1, padding = 0)            self.dark_conv6 = DarknetConv2D_BN_Leaky(numOut, numOut*2, ksize = 3, stride = 1, padding = 1)          self.conv7 = nn.Conv2d(numOut*2, numOut2, 1, stride = 1, padding = 0)        def forward(self, x):          x = self.dark_conv1(x)          x = self.dark_conv2(x)          x = self.dark_conv3(x)          x = self.dark_conv4(x)          x = self.dark_conv5(x)            y = self.dark_conv6(x)          y = self.conv7(y)          return x,y

Yolov3模型

基本的模块已经定义好，Yolov3的模型就是把这些模型叠加起来。注意下图就是Yolov3的简化模型，数字表示该上一个模块的输出特征尺寸（CxHxW）,相应的颜色对应相应的模块

class Yolov3(nn.Module):      def __init__(self, numAnchor, numClass):          super(Yolov3, self).__init__()          self.dark_conv1 = DarknetConv2D_BN_Leaky(3, 32, ksize = 3, stride = 1, padding = 1)          self.res1 = ResidualBlock(32, 64, 1)          self.res2 = ResidualBlock(64, 128, 2)          self.res3 = ResidualBlock(128, 256, 8)          self.res4 = ResidualBlock(256, 512, 8)          self.res5 = ResidualBlock(512, 1024, 4)            self.last1 = LastLayer(1024, 512, numAnchor*(numClass+5))          self.up1 = nn.Sequential(DarknetConv2D_BN_Leaky(512, 256, ksize = 1, stride = 1, padding = 0),                                   nn.Upsample(scale_factor=2))          self.last2 = LastLayer(768, 256, numAnchor*(numClass+5))          self.up2 = nn.Sequential(DarknetConv2D_BN_Leaky(256, 128, ksize = 1, stride = 1, padding = 0),                                   nn.Upsample(scale_factor=2))          self.last3 = LastLayer(384, 128, numAnchor*(numClass+5))        def forward(self, x):          x = self.dark_conv1(x)#32x256x256          x = self.res1(x)#64x128x128          x = self.res2(x)#128x64x64          x3 = self.res3(x)#256x32x32          x4 = self.res4(x3)#512x16x16          x5 = self.res5(x4)#1024x8x8            x,y1 = self.last1(x5)#512x8x8,          x = self.up1(x)#256x16x16          x = torch.cat((x, x4), 1)#768x16x16          x,y2 = self.last2(x)#256x16x16          x = self.up2(x)#128x32x32          x = torch.cat((x, x3), 1)#384x32x32          x,y3 = self.last3(x)#128x32x32            return y1,y2,y3

到这里模型已经完成，模型代码结构非常清晰。有人可能会问，为什么要这种堆叠方式，其实我自己也觉得模型没什么特别的地方，自己根据新的需求定义网络结构完全可以，但是要注意模型深度增加时如何保证收敛，如何加速模型训练，同时输出特征的分辨率要计算好。

参考资料

Yolov3 论文：https://pjreddie.com/media/files/papers/YOLOv3.pdf

Yolov3 Keras实现:https://github.com/qqwweee/keras-yolo3