yolo v2 損失函式原始碼（訓練核心程式碼）解讀和其實現原理
阿新 • • 發佈：2019-02-13
前提說明：
1, 關於 yolo 和 yolo v2 的詳細解釋請移步至如下兩個連結，或者直接看論文（我自己有想寫 yolo 的教程，但思前想後下面兩個連結中的文章質量實在是太好了_(:з」∠)_）
yolo: https://zhuanlan.zhihu.com/p/24916786?refer=xiaoleimlnote
yolo v2: https://zhuanlan.zhihu.com/p/25167153
2, 本文僅解讀 yolo v2 的 loss 函式的原始碼，該程式碼請使用如下命令
git clone https://github.com/pjreddie/darknet
後開啟 src/region_layer.c 檢視
3, yolo 的官方網站地址為：https://pjreddie.com/darknet/yolo/
4, 我除錯程式碼時使用的命令是：
./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23
最新版yolo v2的損失函式的原始碼解讀(解釋無GPU版本)，如下：
void forward_region_layer(const region_layer l, network_state state)
{
int i,j,b,t,n;
//size代表著每個box需要預測出來的引數。
int size = l.coords + l.classes + 1;
memcpy(l.output, state.input, l.outputs*l.batch*sizeof(float));
#ifndef GPU
flatten(l.output, l.w*l.h, size*l.n, l.batch, 1);
#endif
for (b = 0; b < l.batch; ++b){
for(i = 0; i < l.h*l.w*l.n; ++i){
int index = size*i + b*l.outputs;
l.output[index + 4] = logistic_activate(l.output[index + 4]);
}
}
#ifndef GPU
if (l.softmax_tree){
for (b = 0; b < l.batch; ++b){
for(i = 0; i < l.h*l.w*l.n; ++i){
int index = size*i + b*l.outputs;
softmax_tree(l.output + index + 5, 1, 0, 1, l.softmax_tree, l.output + index + 5);
}
}
} else if (l.softmax){
for (b = 0; b < l.batch; ++b){
for(i = 0; i < l.h*l.w*l.n; ++i){
int index = size*i + b*l.outputs;
softmax(l.output + index + 5, l.classes, 1, l.output + index + 5);
}
}
}
#endif
if(!state.train) return;
memset(l.delta, 0, l.outputs * l.batch * sizeof(float));
float avg_iou = 0;
float recall = 0;
float avg_cat = 0;
float avg_obj = 0;
float avg_anyobj = 0;
int count = 0;
int class_count = 0;
*(l.cost) = 0;
//這裡是對批處理的所有影象進行前向求損失值。
for (b = 0; b < l.batch; ++b) {
//沒有使用這個softmax分類器，即不會進入這部分程式碼。
if(l.softmax_tree){
int onlyclass = 0;
for(t = 0; t < 30; ++t){
box truth = float_to_box(state.truth + t*5 + b*l.truths);
if(!truth.x) break;
int class = state.truth[t*5 + b*l.truths + 4];
float maxp = 0;
int maxi = 0;
if(truth.x > 100000 && truth.y > 100000){
for(n = 0; n < l.n*l.w*l.h; ++n){
int index = size*n + b*l.outputs + 5;
float scale = l.output[index-1];
float p = scale*get_hierarchy_probability(l.output + index, l.softmax_tree, class);
if(p > maxp){
maxp = p;
maxi = n;
}
}
int index = size*maxi + b*l.outputs + 5;
delta_region_class(l.output, l.delta, index, class, l.classes, l.softmax_tree, l.class_scale, &avg_cat);
++class_count;
onlyclass = 1;
break;
}
}
if(onlyclass) continue;
}
/*
這裡的l.h,l.w分別是最後卷積輸出的特徵圖解析度。l.n是anchor box的個數，這個機制是借鑑Faster R-CNN
的迴歸方法。l.n這個引數跟配置檔案的anchors、num有關,值就是num一樣。其跟V1版的不同,V1版的是不管最後輸出
的特徵圖解析度多少都是把起分成7*7個cell,而V2的每個特徵點就是一個cell,優點就是：能迴歸和識別更小的物體。
*/
for (j = 0; j < l.h; ++j) {
for (i = 0; i < l.w; ++i) {
//這個l.n是代表著特徵點需要進行預測的不同尺寸的box個數，box寬高大小跟配置檔案裡的anchor係數有關。
for (n = 0; n < l.n; ++n) {
int index = size*(j*l.w*l.n + i*l.n + n) + b*l.outputs;
box pred = get_region_box(l.output, l.biases, n, index, i, j, l.w, l.h);
float best_iou = 0;
int best_class = -1;
//這裡是假設每個特徵點cell最多隻能有30個物體坐落在相同位置。其實這裡的閾值影響不大的，其主要跟truth.x有關。
for(t = 0; t <30; ++t){
// get truth_box's x, y, w, h
box truth = float_to_box(state.truth + t*5 + b*l.truths);
// 遍歷完圖片中的所有物體後退出
if (!truth.x)
break;
float iou = box_iou(pred, truth);
//選出iou最大那個框作為最後預測框～
if (iou > best_iou) {
best_class = state.truth[t*5 + b*l.truths + 4];
best_iou = iou;
}
}
//計算有沒有目標的梯度
avg_anyobj += l.output[index + 4];
l.delta[index + 4] = l.noobject_scale * ((0 - l.output[index + 4]) * logistic_gradient(l.output[index + 4]));
if(l.classfix == -1) l.delta[index + 4] = l.noobject_scale * ((best_iou - l.output[index + 4]) * logistic_gradient(l.output[index + 4]));
else{
if (best_iou > l.thresh) {
l.delta[index + 4] = 0;
if(l.classfix > 0){
delta_region_class(l.output, l.delta, index + 5, best_class, l.classes, l.softmax_tree, l.class_scale*(l.classfix == 2 ? l.output[index + 4] : 1), &avg_cat);
++class_count;
}
}
}
//這裡要訓練的圖片張數達到12800後能進入
if(*(state.net.seen) < 12800){
box truth = {0};
truth.x = (i + .5)/l.w;
truth.y = (j + .5)/l.h;
truth.w = l.biases[2*n];
truth.h = l.biases[2*n+1];
if(DOABS){
truth.w = l.biases[2*n]/l.w;
truth.h = l.biases[2*n+1]/l.h;
}
// 將預測的 tx, ty, tw, th 和 實際box計算得出的 tx',ty', tw', th' 的差存入 l.delta
delta_region_box(truth, l.output, l.biases, n, index, i, j, l.w, l.h, l.delta, .01);
}
}
}
}
//執行到這步，則所有特徵圖上的所有格子都被標註，即代表有沒有物體在此區域。
for(t = 0; t < 30; ++t){
// get truth_box's x, y, w, h
box truth = float_to_box(state.truth + t*5 + b*l.truths);
if(!truth.x) break;
float best_iou = 0;
int best_index = 0;
int best_n = 0;
i = (truth.x * l.w);
j = (truth.y * l.h);
//printf("%d %f %d %f\n", i, truth.x*l.w, j, truth.y*l.h);
// 上面獲得了 truth box 的 x,y,w,h，這裡講 truth box 的 x,y 偏移到 0,0，記
//為 truth_shift.x, truth_shift.y，這麼做是為了方便計算 iou
box truth_shift = truth;
truth_shift.x = 0;
truth_shift.y = 0;
//printf("index %d %d\n",i, j);
//這裡是計算具有真實物體的地方與anchor boxs的匹配值。
for(n = 0; n < l.n; ++n){
//獲得box的index。其中size是每個box需要計算的引數，(j*l.w*l.n + i*l.n + n)計算的是第幾個格子
//b*l.outputs計算的是第幾張輸入圖片的特徵圖，這樣算就是為了計算位置。
int index = size*(j*l.w*l.n + i*l.n + n) + b*l.outputs;
//獲得box的預測，這裡先是座標位置x，y，w，h，而剩下的兩個confidence放到後面，
box pred = get_region_box(l.output, l.biases, n, index, i, j, l.w, l.h);
//box的w，h是根據anchors生成的，其中l.biases就是配置檔案裡的那些anchors引數
if(l.bias_match){
pred.w = l.biases[2*n];
pred.h = l.biases[2*n+1];
if(DOABS){
pred.w = l.biases[2*n]/l.w;
pred.h = l.biases[2*n+1]/l.h;
}
}
//printf("pred: (%f, %f) %f x %f\n", pred.x, pred.y, pred.w, pred.h);
//這裡也把box位置移到0,0;這麼做是為了方便計算IOU。
pred.x = 0;
pred.y = 0;
float iou = box_iou(pred, truth_shift);
if (iou > best_iou){
best_index = index;
best_iou = iou;
best_n = n;
}
}
//printf("%d %f (%f, %f) %f x %f\n", best_n, best_iou, truth.x, truth.y, truth.w, truth.h);
// 計算 box 和 truth box 的 iou
float iou = delta_region_box(truth, l.output, l.biases, best_n, best_index, i, j, l.w, l.h, l.delta, l.coord_scale);
//如果大於閾值則召回率加1.
if(iou > .5) recall += 1;
avg_iou += iou;
//執行到這裡，位置的迴歸基本完成，下面主要是進行目標分類的操作
//l.delta[best_index + 4] = iou - l.output[best_index + 4];
avg_obj += l.output[best_index + 4];
//這裡logistic_gradient把具有目標的區域進行邏輯迴歸分類，計算其輸出的類別分數。
l.delta[best_index + 4] = l.object_scale * (1 - l.output[best_index + 4]) * logistic_gradient(l.output[best_index + 4]);
if (l.rescore) {
// 用 iou 代替上面的 1(經除錯，l.rescore = 1，因此能走到這裡)
l.delta[best_index + 4] = l.object_scale * (iou - l.output[best_index + 4]) * logistic_gradient(l.output[best_index + 4]);
}
// 獲得真實的 class
int class = state.truth[t*5 + b*l.truths + 4];
if (l.map) class = l.map[class];
// 把所有 class 的預測概率與真實 class 的 0/1 的差 * scale，然後存入 l.delta 裡相應 class 序號的位置
delta_region_class(l.output, l.delta, best_index + 5, class, l.classes, l.softmax_tree, l.class_scale, &avg_cat);
++count;
++class_count;
}
}
//printf("\n");
#ifndef GPU
flatten(l.delta, l.w*l.h, size*l.n, l.batch, 0);
#endif
// 現在，l.delta 中的每一個位置都存放了 class、confidence、x, y, w, h 的差，於是通過 mag_array 遍歷所有位置，計算每個位置的平方的和後開根
// 然後利用 pow 函式求平方
*(l.cost) = pow(mag_array(l.delta, l.outputs * l.batch), 2);
printf("Region Avg IOU: %f, Class: %f, Obj: %f, No Obj: %f, Avg Recall: %f, count: %d\n", avg_iou/count, avg_cat/class_count, avg_obj/count, avg_anyobj/(l.w*l.h*l.n*l.batch), recall/count, count);
}