本文章是深度学习实战系列第三讲文章,以运行代码+源码分析 为主;

转载请注明引用自:https://blog.csdn.net/c20081052/article/details/80260726

首先代码下载链接是:https://github.com/hizhangp/yolo_tensorflow

下载完后建议好好读下里面的README部分内容;

本文结构:一.YOLO源码解读;二.代码运行

一.源码解读

下载代码 YOLO_tensorflow-master.zip到自己常用的目录下,并解压,得到(其中data文件夹是我新建的)

如果需要运行train.py,需要你下载pascal_voc的数据集;如果要运行test.py,需要你下载他人训练后得到的权重数据文件;
在pascal_voc放入训练数据集,下载链接:
链接: https://pan.baidu.com/s/1kWshVhl 密码: 89iu
在 weights 放入模型参数:
链接: https://pan.baidu.com/s/1htt9YBE 密码: ehw2
下载后的weights文件放在 data/weight文件夹下
1.utils文件夹下主要文件:pascal_voc.py和timer.py;

其中pascal_voc.py代码解析如下:
import os
import xml.etree.ElementTree as ET   #用于解析xml文件的
import numpy as np
import cv2
import pickle
import copy
import yolo.config as cfg
 
 
class pascal_voc(object):                             #定义一个pascal_voc类
    def __init__(self, phase, rebuild=False):
        self.devkil_path = os.path.join(cfg.PASCAL_PATH, 'VOCdevkit')     #开发包列表目录:当前工作路径/data/pascal_voc/VOCdevkit
        self.data_path = os.path.join(self.devkil_path, 'VOC2007')        #开发包数据目录:当前工作路径/data/pascal_voc/VOCdevkit/VOC2007
        self.cache_path = cfg.CACHE_PATH                                  #见yolo目录下的config.py文件
        self.batch_size = cfg.BATCH_SIZE
        self.image_size = cfg.IMAGE_SIZE
        self.cell_size = cfg.CELL_SIZE
        self.classes = cfg.CLASSES
        self.class_to_ind = dict(zip(self.classes, range(len(self.classes)))) #将类别中文名数字序列化成0,1,2,……
        self.flipped = cfg.FLIPPED
        self.phase = phase                                                    #定义训练or测试
        self.rebuild = rebuild                                                  
        self.cursor = 0      #光标移动用,查询gt_labels这个结构
        self.epoch = 1
        self.gt_labels = None
        self.prepare()
 
    def get(self):
        images = np.zeros(      #初始化图像。bs x 448x448x3
            (self.batch_size, self.image_size, self.image_size, 3))
        labels = np.zeros(      #初始化类别(gt)。bs x 7x7x25 ,对于另外一个box就不构建维度了,因此是25  
            (self.batch_size, self.cell_size, self.cell_size, 25))
        count = 0
        while count < self.batch_size:          #batch处理
            imname = self.gt_labels[self.cursor]['imname']   #从gt label中读取图像名
            flipped = self.gt_labels[self.cursor]['flipped']   #从gt label中查看是否flipped
            images[count, :, :, :] = self.image_read(imname, flipped)  
            labels[count, :, :, :] = self.gt_labels[self.cursor]['label']  #从gt label中获取label类别坐标等信息
            count += 1 
            self.cursor += 1
            if self.cursor >= len(self.gt_labels):   #判断是否训练完一个epoch了
                np.random.shuffle(self.gt_labels)
                self.cursor = 0
                self.epoch += 1
        return images, labels      #返回尺寸缩放和归一化后的image序列;以及labels 真实信息
 
    def image_read(self, imname, flipped=False):
        image = cv2.imread(imname)
        image = cv2.resize(image, (self.image_size, self.image_size))
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB).astype(np.float32)
        image = (image / 255.0) * 2.0 - 1.0   #图像像素值归一化到[-1,1]
        if flipped:
            image = image[:, ::-1, :]
        return image
 
    def prepare(self):      #是否做flipped并打乱原来次序返回结果
        gt_labels = self.load_labels()   #获取gt labels数据
        if self.flipped:                #判断是否做flipped
            print('Appending horizontally-flipped training examples ...')
            gt_labels_cp = copy.deepcopy(gt_labels)
            for idx in range(len(gt_labels_cp)):
                gt_labels_cp[idx]['flipped'] = True
                gt_labels_cp[idx]['label'] =\
                    gt_labels_cp[idx]['label'][:, ::-1, :]
                for i in range(self.cell_size):
                    for j in range(self.cell_size):
                        if gt_labels_cp[idx]['label'][i, j, 0] == 1:
                            gt_labels_cp[idx]['label'][i, j, 1] = \
                                self.image_size - 1 -\
                                gt_labels_cp[idx]['label'][i, j, 1]
            gt_labels += gt_labels_cp
        np.random.shuffle(gt_labels)   #对gt labels打乱顺序
        self.gt_labels = gt_labels       
        return gt_labels
 
    def load_labels(self):
        cache_file = os.path.join(    
            self.cache_path, 'pascal_' + self.phase + '_gt_labels.pkl')   #cache/pascal_test/train_gt_labels.pkl
 
        if os.path.isfile(cache_file) and not self.rebuild:               
            print('Loading gt_labels from: ' + cache_file)      #从cache目录加载gt label文件
            with open(cache_file, 'rb') as f:         
                gt_labels = pickle.load(f)
            return gt_labels                  #返回gt
 
        print('Processing gt_labels from: ' + self.data_path)  #处理来自data目录下的gt label
 
        if not os.path.exists(self.cache_path):  #如果不存在目录文件则创建
            os.makedirs(self.cache_path)
 
        if self.phase == 'train':  #如果是train阶段,则txtname是:当前工作路径/data/pascal_voc/VOCdevkit/VOC2007/ImageSets/Main/trainval.txt这个
            txtname = os.path.join(
                self.data_path, 'ImageSets', 'Main', 'trainval.txt')  
        else:
            txtname = os.path.join( #如果是test阶段,则txtname是:当前工作路径/data/pascal_voc/VOCdevkit/VOC2007/ImageSets/Main/test.txt这个
                self.data_path, 'ImageSets', 'Main', 'test.txt')
        with open(txtname, 'r') as f:                           
            self.image_index = [x.strip() for x in f.readlines()]
 
        gt_labels = []       #创建列表存放gt label
        for index in self.image_index:
            label, num = self.load_pascal_annotation(index)   #取gt label以及num目标数
            if num == 0:
                continue
            imname = os.path.join(self.data_path, 'JPEGImages', index + '.jpg')   #找到图像文件夹下对应索引号的图像
            gt_labels.append({'imname': imname, 
                              'label': label,
                              'flipped': False})
        print('Saving gt_labels to: ' + cache_file)
        with open(cache_file, 'wb') as f:
            pickle.dump(gt_labels, f)         #将gt labels(图形名,目标类别位置坐标信息,是否flipped)写入cache中
        return gt_labels
 
    def load_pascal_annotation(self, index):   #从xml文件中获取bbox信息
        """
        Load image and bounding boxes info from XML file in the PASCAL VOC
        format.
        """
 
        imname = os.path.join(self.data_path, 'JPEGImages', index + '.jpg') #图像目录下读取jpg文件:当前工作路径/data/pascal_voc/VOCdevkit/VOC2007/JPEGImages
        im = cv2.imread(imname)
        h_ratio = 1.0 * self.image_size / im.shape[0]       #尺寸缩放系数
        w_ratio = 1.0 * self.image_size / im.shape[1]
        # im = cv2.resize(im, [self.image_size, self.image_size])
 
        label = np.zeros((self.cell_size, self.cell_size, 25))  
        filename = os.path.join(self.data_path, 'Annotations', index + '.xml')  #读取xml文件
        tree = ET.parse(filename)         #解析树
        objs = tree.findall('object')       #找xml文件中的object
 
        for obj in objs:      #遍历object
            bbox = obj.find('bndbox')       #查找object的bounding box
            # Make pixel indexes 0-based
            x1 = max(min((float(bbox.find('xmin').text) - 1) * w_ratio, self.image_size - 1), 0)  #将xml文件中的坐标做尺寸缩放
            y1 = max(min((float(bbox.find('ymin').text) - 1) * h_ratio, self.image_size - 1), 0)
            x2 = max(min((float(bbox.find('xmax').text) - 1) * w_ratio, self.image_size - 1), 0)
            y2 = max(min((float(bbox.find('ymax').text) - 1) * h_ratio, self.image_size - 1), 0)
            cls_ind = self.class_to_ind[obj.find('name').text.lower().strip()]   #实际类别对应数字序号
            boxes = [(x2 + x1) / 2.0, (y2 + y1) / 2.0, x2 - x1, y2 - y1]         #坐标转换成xc,yc,w,h
            x_ind = int(boxes[0] * self.cell_size / self.image_size)    #判断x属于第几个cell
            y_ind = int(boxes[1] * self.cell_size / self.image_size)    #判断y属于第几个cell
            if label[y_ind, x_ind, 0] == 1:
                continue
            label[y_ind, x_ind, 0] = 1    #cell索引后,是否存在目标位赋1
            label[y_ind, x_ind, 1:5] = boxes   # 坐标赋值
            label[y_ind, x_ind, 5 + cls_ind] = 1  #类别赋值
 
        return label, len(objs)   #返回label(gt)/以及xml中目标个数

主要输出返回尺寸缩放到448x448且归一化到【-1,1】后的images图像列表(batchsize个)以及对应的真实labels数据;

其中timer.py代码解析如下:(主要就是计时用的)
import time
import datetime
 
 
class Timer(object):
    '''
    A simple timer.
    '''
 
    def __init__(self):
        self.init_time = time.time()
        self.total_time = 0.
        self.calls = 0
        self.start_time = 0.
        self.diff = 0.
        self.average_time = 0.
        self.remain_time = 0.
 
    def tic(self):
        # using time.time instead of time.clock because time time.clock
        # does not normalize for multithreading
        self.start_time = time.time()               #获取当前系统时间
 
    def toc(self, average=True):                
        self.diff = time.time() - self.start_time   #获取当前系统时间-之前获取的系统时间=时间差
        self.total_time += self.diff                #获取总的时间差
        self.calls += 1                             #调用次数
        self.average_time = self.total_time / self.calls         #多次时间调用,计算平均时间差
        if average:
            return self.average_time
        else:
            return self.diff
 
    def remain(self, iters, max_iters):             #用于计算完成剩余迭代次数预计所费时间
        if iters == 0:
            self.remain_time = 0
        else:
            self.remain_time = (time.time() - self.init_time) * \
                (max_iters - iters) / iters

        return str(datetime.timedelta(seconds=int(self.remain_time))
2.yolo文件夹下主要文件:config.py和yolo_net.py;
其中config.py代码解析如下:
import os
 
#
# path and dataset parameter
#
 
DATA_PATH = 'data'
 
PASCAL_PATH = os.path.join(DATA_PATH, 'pascal_voc')   #pascal的路径是;当前工作路径/data/pascal_voc
 
CACHE_PATH = os.path.join(PASCAL_PATH, 'cache')       #cache的路径是;当前工作路径/data/pascal_voc/cache
 
OUTPUT_DIR = os.path.join(PASCAL_PATH, 'output')      #output的路径是;当前工作路径/data/pascal_voc/output
 
WEIGHTS_DIR = os.path.join(PASCAL_PATH, 'weights')    #weights的路径是;当前工作路径/data/pascal_voc/weights
 
WEIGHTS_FILE = None
# WEIGHTS_FILE = os.path.join(DATA_PATH, 'weights', 'YOLO_small.ckpt')
 
CLASSES = ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus',             #目标类别
           'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse',
           'motorbike', 'person', 'pottedplant', 'sheep', 'sofa',
           'train', 'tvmonitor']
 
FLIPPED = True       #是否flipped
 
 
#
# model parameter
#
 
IMAGE_SIZE = 448
 
CELL_SIZE = 7
 
BOXES_PER_CELL = 2
 
ALPHA = 0.1
 
DISP_CONSOLE = False
 
OBJECT_SCALE = 1.0   #这四个损失函数系数
NOOBJECT_SCALE = 1.0
CLASS_SCALE = 2.0
COORD_SCALE = 5.0
 
 
#
# solver parameter
#
 
GPU = ''
 
LEARNING_RATE = 0.0001
 
DECAY_STEPS = 30000
 
DECAY_RATE = 0.1
 
STAIRCASE = True
 
BATCH_SIZE = 45
 
MAX_ITER = 15000
 
SUMMARY_ITER = 10
 
SAVE_ITER = 1000
 
 
#
# test parameter
#
 
THRESHOLD = 0.2
 
IOU_THRESHOLD = 0.5
主要是网络训练时的配置要求;
其中yolo_net.py代码解析如下:
import numpy as np
import tensorflow as tf
import yolo.config as cfg
 
slim = tf.contrib.slim
 
 
class YOLONet(object):                           #定义一个YOLONet类
 
    def __init__(self, is_training=True):
        self.classes = cfg.CLASSES               #目标类别
        self.num_class = len(self.classes)        #目标类别数量,值为20
        self.image_size = cfg.IMAGE_SIZE          #图像尺寸,为448
        self.cell_size = cfg.CELL_SIZE               # cell尺寸,为7
        self.boxes_per_cell = cfg.BOXES_PER_CELL   #每个grid cell负责的boxes数量,为2
        self.output_size = (self.cell_size * self.cell_size) *\    #输出特征维度,7X7X(20+2X5)
            (self.num_class + self.boxes_per_cell * 5)
        self.scale = 1.0 * self.image_size / self.cell_size   #尺寸缩放系数, 448/7=64
        self.boundary1 = self.cell_size * self.cell_size * self.num_class  # 7X7X20
        self.boundary2 = self.boundary1 +\                                 # 7X7X20 + 7X7X2     49个所属20个物体类别的概率+98个bbox
            self.cell_size * self.cell_size * self.boxes_per_cell
 
        self.object_scale = cfg.OBJECT_SCALE                      #值为1,有目标存在的系数
        self.noobject_scale = cfg.NOOBJECT_SCALE                  #值为1,没有目标存在的系数(论文貌似为0.5)
        self.class_scale = cfg.CLASS_SCALE                       #值为2.0, 类别损失函数的系数
        self.coord_scale = cfg.COORD_SCALE                       #值为5.0,坐标损失函数的系数
 
        self.learning_rate = cfg.LEARNING_RATE  #学习率=0.0001
        self.batch_size = cfg.BATCH_SIZE         #batch_size=45
        self.alpha = cfg.ALPHA                   #alpha=0.1
 
        self.offset = np.transpose(np.reshape(np.array(
            [np.arange(self.cell_size)] * self.cell_size * self.boxes_per_cell), #将2X7X7的三维矩阵,转为7X7X2的三维矩阵
            (self.boxes_per_cell, self.cell_size, self.cell_size)), (1, 2, 0))
 
        self.images = tf.placeholder(
            tf.float32, [None, self.image_size, self.image_size, 3],       #创建输入图像占位符 448X448 3通道 
            name='images')
        self.logits = self.build_network(                                  #输出logits值(预测值)
            self.images, num_outputs=self.output_size, alpha=self.alpha,
            is_training=is_training)
 
        if is_training:
            self.labels = tf.placeholder(
                tf.float32,
                [None, self.cell_size, self.cell_size, 5 + self.num_class]) #为label(真实值)穿件占位符
            self.loss_layer(self.logits, self.labels)    #求loss
            self.total_loss = tf.losses.get_total_loss()  #求所有的loss
            tf.summary.scalar('total_loss', self.total_loss)
 
    def build_network(self,                                 #建立网络(卷积层+池化层+全连接层)
                      images,                       #输入的图像 [None,448,448,3]
                      num_outputs,                   #输出特征维度[None,7X7X30]
                      alpha,
                      keep_prob=0.5,                #dropout
                      is_training=True,
                      scope='yolo'):                #命个名字
        with tf.variable_scope(scope):
            with slim.arg_scope(
                [slim.conv2d, slim.fully_connected],   
                activation_fn=leaky_relu(alpha),                                #激活函数用的是leaky_relu
                weights_regularizer=slim.l2_regularizer(0.0005),                #权重正则化用的是l2
                weights_initializer=tf.truncated_normal_initializer(0.0, 0.01)  #权重初始化用的是正态分布(0.0,0.01)
            ):
                net = tf.pad(                                                   #为输入图像进行填充,单张图上下左右各用0填充3行/列
                    images, np.array([[0, 0], [3, 3], [3, 3], [0, 0]]),         #BatchSize维度不填充,行维度上下填充3行0,列维度左右填充3列0,channel维度不填充
                    name='pad_1')
                net = slim.conv2d(                                     # input=net; num_outputs=64个特征图;kernel_size:7X7; strides=2;
                    net, 64, 7, 2, padding='VALID', scope='conv_2')    # 上面已经pad了,所以选padding=VALID,即不停留在图像边缘
                net = slim.max_pool2d(net, 2, padding='SAME', scope='pool_3')   #最大池化 2X2的核结构,stride=2;输出net   224X224X64
                net = slim.conv2d(net, 192, 3, scope='conv_4')                  #卷积,输出特征图192个,kernel_size:3X3;  输出net: 224X224X192
                net = slim.max_pool2d(net, 2, padding='SAME', scope='pool_5')   #最大池化 2X2, stride=2; 输出net:112X112X192    OK 
                net = slim.conv2d(net, 128, 1, scope='conv_6')                   #卷积, kernel=1X1; 输出net: 112X112X128
                net = slim.conv2d(net, 256, 3, scope='conv_7')                   #卷积, kernel=3X3;输出net: 112X112X256
                net = slim.conv2d(net, 256, 1, scope='conv_8')                   #卷积, kernel=1X1; 输出net: 112X112X256
                net = slim.conv2d(net, 512, 3, scope='conv_9')                   #卷积, kernel=3X3;输出net: 112X112X512
                net = slim.max_pool2d(net, 2, padding='SAME', scope='pool_10')   #最大池化 2X2,stride=2; 输出net: 56x56x256
                net = slim.conv2d(net, 256, 1, scope='conv_11')                  #连续4组 卷积输出特征数256和512的组合;
                net = slim.conv2d(net, 512, 3, scope='conv_12')
                net = slim.conv2d(net, 256, 1, scope='conv_13')
                net = slim.conv2d(net, 512, 3, scope='conv_14')
                net = slim.conv2d(net, 256, 1, scope='conv_15')
                net = slim.conv2d(net, 512, 3, scope='conv_16')
                net = slim.conv2d(net, 256, 1, scope='conv_17')
                net = slim.conv2d(net, 512, 3, scope='conv_18')
                net = slim.conv2d(net, 512, 1, scope='conv_19')                  #卷积,kernel=1X1;输出net: 56x56x512
                net = slim.conv2d(net, 1024, 3, scope='conv_20')                 #卷积,kernel=3X3; 输出net: 56x56x1024           ???
                net = slim.max_pool2d(net, 2, padding='SAME', scope='pool_21')   #最大池化 2X2,stride=2;输出net:28x28x512      ??
                net = slim.conv2d(net, 512, 1, scope='conv_22')                  #连续两组 卷积输出特征数512和1024的组合
                net = slim.conv2d(net, 1024, 3, scope='conv_23')
                net = slim.conv2d(net, 512, 1, scope='conv_24')
                net = slim.conv2d(net, 1024, 3, scope='conv_25')                 
                net = slim.conv2d(net, 1024, 3, scope='conv_26')                 #卷积,kernel=3X3;输出net:28X28X1024
                net = tf.pad(                                                    #对net进行填充
                    net, np.array([[0, 0], [1, 1], [1, 1], [0, 0]]),             #batch维度不填充;28的行维度上下填充1行(值为0);28的列维度左右填充1列(值为0),channel维度不填充;
                    name='pad_27')
                net = slim.conv2d(                                               
                    net, 1024, 3, 2, padding='VALID', scope='conv_28')           #上面已经pad了,所以选padding=VALID,kernel=3X3,stride=2,输出net:14x14x1024   ???
                net = slim.conv2d(net, 1024, 3, scope='conv_29')                 #连续两个卷积,特征数为1024,kernel=3x3
                net = slim.conv2d(net, 1024, 3, scope='conv_30')                 #输出net: 7x7x1024                                     ???
                net = tf.transpose(net, [0, 3, 1, 2], name='trans_31')           #输出net:[batchsize,channel,28,28]
                net = slim.flatten(net, scope='flat_32')                         #输出net: (1,batchsize x channel x w x h)
                net = slim.fully_connected(net, 512, scope='fc_33')              #全连接层  输出net:1x512
                net = slim.fully_connected(net, 4096, scope='fc_34')             #全连接层  输出net:1x4096
                net = slim.dropout(                                              #dropout层,防止过拟合
                    net, keep_prob=keep_prob, is_training=is_training,
                    scope='dropout_35')
                net = slim.fully_connected(                                      #全连接层,输出net:7x7x30特征
                    net, num_outputs, activation_fn=None, scope='fc_36')
        return net                                                               #返回net: 7x7x30
 
    def calc_iou(self, boxes1, boxes2, scope='iou'):                              #计算box和groundtruth的IOU值
        """calculate ious
        Args:
          boxes1: 5-D tensor [BATCH_SIZE, CELL_SIZE, CELL_SIZE, BOXES_PER_CELL, 4]  ====> (x_center, y_center, w, h)
          boxes2: 5-D tensor [BATCH_SIZE, CELL_SIZE, CELL_SIZE, BOXES_PER_CELL, 4] ===> (x_center, y_center, w, h)
        Return:
          iou: 4-D tensor [BATCH_SIZE, CELL_SIZE, CELL_SIZE, BOXES_PER_CELL]
        """
        with tf.variable_scope(scope):
            # transform (x_center, y_center, w, h) to (x1, y1, x2, y2)
            boxes1_t = tf.stack([boxes1[..., 0] - boxes1[..., 2] / 2.0,   #x-w/2=x1(左上)
                                 boxes1[..., 1] - boxes1[..., 3] / 2.0,   #y-h/2=y1(左上)
                                 boxes1[..., 0] + boxes1[..., 2] / 2.0,   #x+w/2=x2(右下)
                                 boxes1[..., 1] + boxes1[..., 3] / 2.0],  #y+h/2=y2(右下)
                                axis=-1)                                  #替换最后那个维度
 
            boxes2_t = tf.stack([boxes2[..., 0] - boxes2[..., 2] / 2.0,
                                 boxes2[..., 1] - boxes2[..., 3] / 2.0,
                                 boxes2[..., 0] + boxes2[..., 2] / 2.0,
                                 boxes2[..., 1] + boxes2[..., 3] / 2.0],
                                axis=-1)
 
            # calculate the left up point & right down point                          #计算重叠区域最左上和最右下点
            lu = tf.maximum(boxes1_t[..., :2], boxes2_t[..., :2])
            rd = tf.minimum(boxes1_t[..., 2:], boxes2_t[..., 2:])
 
            # intersection
            intersection = tf.maximum(0.0, rd - lu)                                                #重叠区域
            inter_square = intersection[..., 0] * intersection[..., 1]                             #重叠区域面积
 
            # calculate the boxs1 square and boxs2 square
            square1 = boxes1[..., 2] * boxes1[..., 3]                                             #box1.w * box1.h
            square2 = boxes2[..., 2] * boxes2[..., 3]                                             #box2.w * box2.h
 
            union_square = tf.maximum(square1 + square2 - inter_square, 1e-10)  
 
        return tf.clip_by_value(inter_square / union_square, 0.0, 1.0)                            #将IOU计算得到的值归一化到(0,1)
 
    def loss_layer(self, predicts, labels, scope='loss_layer'):                                   #定义损失函数
        with tf.variable_scope(scope):
            predict_classes = tf.reshape(                #预测的类别 batchsize x 7x7x20
                predicts[:, :self.boundary1],   
                [self.batch_size, self.cell_size, self.cell_size, self.num_class])
            predict_scales = tf.reshape(                 #预测的scale batchsize x 7x7x2
                predicts[:, self.boundary1:self.boundary2],
                [self.batch_size, self.cell_size, self.cell_size, self.boxes_per_cell])
            predict_boxes = tf.reshape(                  #预测的框 batchsize x 7x7x2,每个box四个位置坐标信息
                predicts[:, self.boundary2:],
                [self.batch_size, self.cell_size, self.cell_size, self.boxes_per_cell, 4])
 
            response = tf.reshape(         #label后0位置:有无目标             
                labels[..., 0],
                [self.batch_size, self.cell_size, self.cell_size, 1])
            boxes = tf.reshape(            #label后(1,2,3,4)位置:目标坐标
                labels[..., 1:5],
                [self.batch_size, self.cell_size, self.cell_size, 1, 4])
            boxes = tf.tile(               #由于单个cell预测boxes_per_cell个box信息,先对box进行该维度上的拼贴一份相同尺度的;后将坐标尺度归一化到整幅图
                boxes, [1, 1, 1, self.boxes_per_cell, 1]) / self.image_size
            classes = labels[..., 5:]      #label后[5:25]位置:目标类别信息
 
            offset = tf.reshape(
                tf.constant(self.offset, dtype=tf.float32),                   #将offset维度由7x7x2 reshape成 1x7x7x2
                [1, self.cell_size, self.cell_size, self.boxes_per_cell])
            offset = tf.tile(offset, [self.batch_size, 1, 1, 1])              #将offset的第一个维度拼贴为batchsize大小,即offset变为:batchsize x 7x7x2
            offset_tran = tf.transpose(offset, (0, 2, 1, 3))          #作者是否考虑非AXA情况??如7x8
            predict_boxes_tran = tf.stack(
                [(predict_boxes[..., 0] + offset) / self.cell_size,      #(预测box的x坐标+偏移量)/7
                 (predict_boxes[..., 1] + offset_tran) / self.cell_size, #(预测box的y坐标+偏移量)/7
                 tf.square(predict_boxes[..., 2]),                       #对w求平方
                 tf.square(predict_boxes[..., 3])], axis=-1)             #对h求平方
 
            iou_predict_truth = self.calc_iou(predict_boxes_tran, boxes)     #计算IOU的值
 
            # calculate I tensor [BATCH_SIZE, CELL_SIZE, CELL_SIZE, BOXES_PER_CELL]    #计算有目标object_mask 
            object_mask = tf.reduce_max(iou_predict_truth, 3, keep_dims=True)    #找出iou_predict_truth 第 3维度(即box_per_cell)维度计算得到的最大值构成一个tensor
            object_mask = tf.cast(
                (iou_predict_truth >= object_mask), tf.float32) * response     #object_mask:表示有目标 以及 目标与gt的IOU 
 
            # calculate no_I tensor [CELL_SIZE, CELL_SIZE, BOXES_PER_CELL]    #计算无目标noobject_mask
            noobject_mask = tf.ones_like(                          #新建一个与给定tensor(object_mask)大小一致的tensor,其所有元素都为1
                object_mask, dtype=tf.float32) - object_mask 
 
            boxes_tran = tf.stack(
                [boxes[..., 0] * self.cell_size - offset,
                 boxes[..., 1] * self.cell_size - offset_tran,
                 tf.sqrt(boxes[..., 2]),
                 tf.sqrt(boxes[..., 3])], axis=-1)
 
            # class_loss  #类别损失函数
            class_delta = response * (predict_classes - classes)       #有目标情况下 类别误差
            class_loss = tf.reduce_mean(                             
                tf.reduce_sum(tf.square(class_delta), axis=[1, 2, 3]),  #对7x7x20每个维度上预测的类别做误差平方求和后,乘以损失函数系数class_scale
                name='class_loss') * self.class_scale
 
            # object_loss                                      #含有object的box的confidence预测
            object_delta = object_mask * (predict_scales - iou_predict_truth)
            object_loss = tf.reduce_mean(
                tf.reduce_sum(tf.square(object_delta), axis=[1, 2, 3]),
                name='object_loss') * self.object_scale
 
            # noobject_loss                                    #不含object的box的confidence预测
            noobject_delta = noobject_mask * predict_scales
            noobject_loss = tf.reduce_mean(
                tf.reduce_sum(tf.square(noobject_delta), axis=[1, 2, 3]),
                name='noobject_loss') * self.noobject_scale
 
            # coord_loss                                       #坐标损失函数
            coord_mask = tf.expand_dims(object_mask, 4)   #先扩维
            boxes_delta = coord_mask * (predict_boxes - boxes_tran)  #需要判断第i个cell中第j个box会否负责这个object
            coord_loss = tf.reduce_mean(                              
                tf.reduce_sum(tf.square(boxes_delta), axis=[1, 2, 3, 4]),  #坐标四个维度对应求差,平方和
                name='coord_loss') * self.coord_scale
 
            tf.losses.add_loss(class_loss)
            tf.losses.add_loss(object_loss)
            tf.losses.add_loss(noobject_loss)
            tf.losses.add_loss(coord_loss)
 
            tf.summary.scalar('class_loss', class_loss)                 #以下方便tensorboard显示用
            tf.summary.scalar('object_loss', object_loss)
            tf.summary.scalar('noobject_loss', noobject_loss)
            tf.summary.scalar('coord_loss', coord_loss)
 
            tf.summary.histogram('boxes_delta_x', boxes_delta[..., 0])
            tf.summary.histogram('boxes_delta_y', boxes_delta[..., 1])
            tf.summary.histogram('boxes_delta_w', boxes_delta[..., 2])
            tf.summary.histogram('boxes_delta_h', boxes_delta[..., 3])
            tf.summary.histogram('iou', iou_predict_truth)
 
 
def leaky_relu(alpha):                                                           #leaky_relu激活函数
    def op(inputs):
        return tf.nn.leaky_relu(inputs, alpha=alpha, name='leaky_relu')
    return op
下载的代码比较新,和网上博客的一些注解有些出入,这个代码主要是构建yolo的网络结构的。需要好好理解其结构。
3. train.py和test.py;

其中train.py文件可用来训练自己的权重文件,代码给的是对pascal_voc数据集进行训练。具体代码解析如下:

import os
import argparse
import datetime
import tensorflow as tf
import yolo.config as cfg
from yolo.yolo_net import YOLONet
from utils.timer import Timer
from utils.pascal_voc import pascal_voc  
 
slim = tf.contrib.slim  #tensorflow 16年推出的瘦身版代码模块
 
#这部分主要是用pascal_voc2007数据训练自己的网络权重数据
class Solver(object):                 
 
    def __init__(self, net, data):
        self.net = net
        self.data = data
        self.weights_file = cfg.WEIGHTS_FILE   #权重文件,默认无
        self.max_iter = cfg.MAX_ITER  #默认15000
        self.initial_learning_rate = cfg.LEARNING_RATE  #初始学习率0.0001
        self.decay_steps = cfg.DECAY_STEPS   #衰减步长:30000
        self.decay_rate = cfg.DECAY_RATE     #衰减率:0.1
        self.staircase = cfg.STAIRCASE
        self.summary_iter = cfg.SUMMARY_ITER  #日志记录迭代步数:10
        self.save_iter = cfg.SAVE_ITER          #保存迭代步长:1000
        self.output_dir = os.path.join(
            cfg.OUTPUT_DIR, datetime.datetime.now().strftime('%Y_%m_%d_%H_%M'))  #保存路径:output/年_月_日_时_分
        if not os.path.exists(self.output_dir):
            os.makedirs(self.output_dir)
        self.save_cfg()
 
        self.variable_to_restore = tf.global_variables()
        self.saver = tf.train.Saver(self.variable_to_restore, max_to_keep=None)
        self.ckpt_file = os.path.join(self.output_dir, 'yolo')   #模型文件路径: 输出目录/yolo
        self.summary_op = tf.summary.merge_all()
        self.writer = tf.summary.FileWriter(self.output_dir, flush_secs=60)
 
        self.global_step = tf.train.create_global_step()
        self.learning_rate = tf.train.exponential_decay(   #产生一个指数衰减的学习速率,learning_rate=initial_learning_rate*decay_rate^(global_step/decay_steps)
            self.initial_learning_rate, self.global_step, self.decay_steps,
            self.decay_rate, self.staircase, name='learning_rate')
        self.optimizer = tf.train.GradientDescentOptimizer(
            learning_rate=self.learning_rate)
        self.train_op = slim.learning.create_train_op(
            self.net.total_loss, self.optimizer, global_step=self.global_step)
 
        gpu_options = tf.GPUOptions()
        config = tf.ConfigProto(gpu_options=gpu_options)
        self.sess = tf.Session(config=config)
        self.sess.run(tf.global_variables_initializer())
 
        if self.weights_file is not None:                          #如果权重文件空,则打印“恢复权重文件从:”
            print('Restoring weights from: ' + self.weights_file)
            self.saver.restore(self.sess, self.weights_file)
 
        self.writer.add_graph(self.sess.graph)
 
    def train(self):
 
        train_timer = Timer()                           #定义类对象
        load_timer = Timer()
 
        for step in range(1, self.max_iter + 1):        #最大迭代:15000
 
            load_timer.tic()                            #开始计时
            images, labels = self.data.get()            #从pascal_voc数据集读取图像和实际标签信息
            load_timer.toc()                            #终止该步(数据加载)计时
            feed_dict = {self.net.images: images,       #生成一个图像和label对应的字典
                         self.net.labels: labels}
 
            if step % self.summary_iter == 0:              #迭代每10步时执行如下:日志记录步长
                if step % (self.summary_iter * 10) == 0:   #迭代每100步时执行如下:训练模型,生成报文并打印(主要是打印报文)
 
                    train_timer.tic()                      #训练开始计时
                    summary_str, loss, _ = self.sess.run(
                        [self.summary_op, self.net.total_loss, self.train_op],  #模型训练,返回 loss
                        feed_dict=feed_dict)
                    train_timer.toc()                      #训练结束计时
 
                    log_str = '''{} Epoch: {}, Step: {}, Learning rate: {},'''  #报文字符串内容
                    ''' Loss: {:5.3f}\nSpeed: {:.3f}s/iter,'''
                    '''' Load: {:.3f}s/iter, Remain: {}'''.format(
                        datetime.datetime.now().strftime('%m-%d %H:%M:%S'),
                        self.data.epoch,
                        int(step),
                        round(self.learning_rate.eval(session=self.sess), 6),
                        loss,
                        train_timer.average_time,
                        load_timer.average_time,
                        train_timer.remain(step, self.max_iter))
                    print(log_str)                                              
 
                else:                             #训练模型,并计时
                    train_timer.tic()
                    summary_str, _ = self.sess.run(
                        [self.summary_op, self.train_op],
                        feed_dict=feed_dict)
                    train_timer.toc()
 
                self.writer.add_summary(summary_str, step)  #每训练10步,记录日志文件
 
            else:                                           #其他训练步长时,不记录日志,只计时
                train_timer.tic()
                self.sess.run(self.train_op, feed_dict=feed_dict)
                train_timer.toc()
 
            if step % self.save_iter == 0:         #模型每训练1000步保存一次
                print('{} Saving checkpoint file to: {}'.format(
                    datetime.datetime.now().strftime('%m-%d %H:%M:%S'),
                    self.output_dir))
                self.saver.save(
                    self.sess, self.ckpt_file, global_step=self.global_step)
 
    def save_cfg(self):  #保存当前的模型配置信息
 
        with open(os.path.join(self.output_dir, 'config.txt'), 'w') as f:  #往output/config.txt中写配置信息
            cfg_dict = cfg.__dict__
            for key in sorted(cfg_dict.keys()):
                if key[0].isupper():
                    cfg_str = '{}: {}\n'.format(key, cfg_dict[key])
                    f.write(cfg_str)
 
 
def update_config_paths(data_dir, weights_file):
    cfg.DATA_PATH = data_dir
    cfg.PASCAL_PATH = os.path.join(data_dir, 'pascal_voc')
    cfg.CACHE_PATH = os.path.join(cfg.PASCAL_PATH, 'cache')
    cfg.OUTPUT_DIR = os.path.join(cfg.PASCAL_PATH, 'output')
    cfg.WEIGHTS_DIR = os.path.join(cfg.PASCAL_PATH, 'weights')  #权重文件在pascal_voc/weights中
 
    cfg.WEIGHTS_FILE = os.path.join(cfg.WEIGHTS_DIR, weights_file)
 
 
def main():
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', default="YOLO_small.ckpt", type=str)
    parser.add_argument('--data_dir', default="data", type=str)
    parser.add_argument('--threshold', default=0.2, type=float)
    parser.add_argument('--iou_threshold', default=0.5, type=float)
    parser.add_argument('--gpu', default='', type=str)
    args = parser.parse_args()
 
    if args.gpu is not None:   #如果训练传进来的gpu参数非空,则将传进来的gpu信息赋值给配置文件中
        cfg.GPU = args.gpu
 
    if args.data_dir != cfg.DATA_PATH:   #如果传经来的数据路径与当前配置文件数据路径不一致,则更新配置信息
        update_config_paths(args.data_dir, args.weights)
 
    os.environ['CUDA_VISIBLE_DEVICES'] = cfg.GPU
 
    yolo = YOLONet()                   #声明类对象yolo
    pascal = pascal_voc('train')       #定义类别
 
    solver = Solver(yolo, pascal)     #利用yolo网络结构,对传进的数据,生成solver
 
    print('Start training ...')        #开始训练
    solver.train()
    print('Done training.')            #完成训练
 
 
if __name__ == '__main__':
 
    # python train.py --weights YOLO_small.ckpt --gpu 0       #示例,默认使用第0个GPU
    main()

如果你只想测试下yolo这个模型效果,可加载别人训练好的weights模型参数(本文一开始提到的,已经提供下载链接),也可记载用train训练得到的。该程序解析如下:

import os
import cv2
import argparse
import numpy as np
import tensorflow as tf
import yolo.config as cfg
from yolo.yolo_net import YOLONet
from utils.timer import Timer
 
#这部分主要是加载训练好的权重文件做测试,这个权重文件可以是下载的YOLO_small.ckpt,也可以是自己训练的。
class Detector(object):
 
    def __init__(self, net, weight_file):
        self.net = net
        self.weights_file = weight_file
 
        self.classes = cfg.CLASSES
        self.num_class = len(self.classes)
        self.image_size = cfg.IMAGE_SIZE
        self.cell_size = cfg.CELL_SIZE
        self.boxes_per_cell = cfg.BOXES_PER_CELL
        self.threshold = cfg.THRESHOLD
        self.iou_threshold = cfg.IOU_THRESHOLD
        self.boundary1 = self.cell_size * self.cell_size * self.num_class
        self.boundary2 = self.boundary1 +\
            self.cell_size * self.cell_size * self.boxes_per_cell
 
        self.sess = tf.Session()
        self.sess.run(tf.global_variables_initializer())
 
        print('Restoring weights from: ' + self.weights_file)  
        self.saver = tf.train.Saver()
        self.saver.restore(self.sess, self.weights_file)      #加载权重文件
 
    def draw_result(self, img, result):  #在输入图像img上对检测到的result进行绘制框并标注类别概率信息
        for i in range(len(result)):     #目标个数遍历绘图
            x = int(result[i][1])           #目标中心x
            y = int(result[i][2])            #目标中心y
            w = int(result[i][3] / 2)        #目标宽取一半
            h = int(result[i][4] / 2)        #目标高取一半
            cv2.rectangle(img, (x - w, y - h), (x + w, y + h), (0, 255, 0), 2)    #目标框
            cv2.rectangle(img, (x - w, y - h - 20),                               #显示目标类别和概率值的灰色填充框
                          (x + w, y - h), (125, 125, 125), -1)
            lineType = cv2.LINE_AA if cv2.__version__ > '3' else cv2.CV_AA     #根据opencv版本,作者已经做了考虑了
            cv2.putText(
                img, result[i][0] + ' : %.2f' % result[i][5],        #概率是两位小数的浮点数
                (x - w + 5, y - h - 7), cv2.FONT_HERSHEY_SIMPLEX, 0.5,
                (0, 0, 0), 1, lineType)
 
    def detect(self, img):                         #对输入图像做目标检测
        img_h, img_w, _ = img.shape
        inputs = cv2.resize(img, (self.image_size, self.image_size))           #尺寸缩放到448x448的图像:inputs
        inputs = cv2.cvtColor(inputs, cv2.COLOR_BGR2RGB).astype(np.float32)    #opencv读取图像格式是bgr,需要转换为rgb格式;
        inputs = (inputs / 255.0) * 2.0 - 1.0                                   #读取图像归一化到【-1,1】
        inputs = np.reshape(inputs, (1, self.image_size, self.image_size, 3))  #维度变化为[1,448,448,3]
 
        result = self.detect_from_cvmat(inputs)[0]    
 
        for i in range(len(result)):
            result[i][1] *= (1.0 * img_w / self.image_size)  #检测到目标中心坐标x是448下的坐标,需要变化到原图像尺寸
            result[i][2] *= (1.0 * img_h / self.image_size)
            result[i][3] *= (1.0 * img_w / self.image_size)
            result[i][4] *= (1.0 * img_h / self.image_size)
 
        return result  #返回原图像上检测到的目标坐标尺寸信息
 
    def detect_from_cvmat(self, inputs):                            #输入的inputs;[1,448,448,3]
        net_output = self.sess.run(self.net.logits,                 #网络回归输出目标
                                   feed_dict={self.net.images: inputs})
        results = []
        for i in range(net_output.shape[0]):                        #遍历目标个数,将结果放进results中
            results.append(self.interpret_output(net_output[i]))
 
        return results  #在448x448大小图像上检测到的目标信息
 
    def interpret_output(self, output):
        probs = np.zeros((self.cell_size, self.cell_size,        #所有box (98个)对应每个类别的概率,[7,7,2,20]
                          self.boxes_per_cell, self.num_class))
        class_probs = np.reshape(
            output[0:self.boundary1],                              #输出的[0:7x7x20]这980个数代表每个cell预测的每个类别的概率值
            (self.cell_size, self.cell_size, self.num_class))    #最后输出时,每个cell只返回一个类别,因此类别概率维度变为[7,7,20]
        scales = np.reshape(
            output[self.boundary1:self.boundary2],                #输出的[7x7x20:7x7x22]这98个数reshape成[7,7,2],个人理解是有无目标落在这98个box中
            (self.cell_size, self.cell_size, self.boxes_per_cell))
        boxes = np.reshape(                                       #输出的[7x7x22:]这些数记录的是每个box对应的目标坐标信息,reshape为[7,7,2,4]
            output[self.boundary2:],
            (self.cell_size, self.cell_size, self.boxes_per_cell, 4))
        offset = np.array(
            [np.arange(self.cell_size)] * self.cell_size * self.boxes_per_cell)
        offset = np.transpose(
            np.reshape(
                offset,
                [self.boxes_per_cell, self.cell_size, self.cell_size]),#offset;[2,7,7]->[7,7,2]
            (1, 2, 0))
 
        boxes[:, :, :, 0] += offset                        
        boxes[:, :, :, 1] += np.transpose(offset, (1, 0, 2)) 
        boxes[:, :, :, :2] = 1.0 * boxes[:, :, :, 0:2] / self.cell_size
        boxes[:, :, :, 2:] = np.square(boxes[:, :, :, 2:])
 
        boxes *= self.image_size   #将目标坐标相对cell的偏移量反映到448图像上
 
        for i in range(self.boxes_per_cell):
            for j in range(self.num_class):
                probs[:, :, i, j] = np.multiply(                #某cell中第i个box中含目标的概率*该cell中数据第j个类别概率
                    class_probs[:, :, j], scales[:, :, i])
 
        filter_mat_probs = np.array(probs >= self.threshold, dtype='bool')    #若概率大于0.2,filter_mat_probs=1
        filter_mat_boxes = np.nonzero(filter_mat_probs)                       #过滤掉一个cell中的两个box的其中一个,返回filter_mat_probs中不为0的下标
        boxes_filtered = boxes[filter_mat_boxes[0],
                               filter_mat_boxes[1], filter_mat_boxes[2]]
        probs_filtered = probs[filter_mat_probs]
        classes_num_filtered = np.argmax(
            filter_mat_probs, axis=3)[
            filter_mat_boxes[0], filter_mat_boxes[1], filter_mat_boxes[2]]
 
        argsort = np.array(np.argsort(probs_filtered))[::-1]
        boxes_filtered = boxes_filtered[argsort]                  #过滤刷选出box
        probs_filtered = probs_filtered[argsort]                  #过滤刷选出probs高的
        classes_num_filtered = classes_num_filtered[argsort]      #过滤刷选出类别
 
        for i in range(len(boxes_filtered)):
            if probs_filtered[i] == 0:
                continue
            for j in range(i + 1, len(boxes_filtered)):
                if self.iou(boxes_filtered[i], boxes_filtered[j]) > self.iou_threshold:
                    probs_filtered[j] = 0.0
 
        filter_iou = np.array(probs_filtered > 0.0, dtype='bool')
        boxes_filtered = boxes_filtered[filter_iou]
        probs_filtered = probs_filtered[filter_iou]
        classes_num_filtered = classes_num_filtered[filter_iou]
 
        result = []
        for i in range(len(boxes_filtered)):
            result.append(
                [self.classes[classes_num_filtered[i]],
                 boxes_filtered[i][0],
                 boxes_filtered[i][1],
                 boxes_filtered[i][2],
                 boxes_filtered[i][3],
                 probs_filtered[i]])
 
        return result                 #输出过滤后的类别,以及对应box的坐标
 
    def iou(self, box1, box2):
        tb = min(box1[0] + 0.5 * box1[2], box2[0] + 0.5 * box2[2]) - \   #得到的tb为重叠区域的宽
            max(box1[0] - 0.5 * box1[2], box2[0] - 0.5 * box2[2])
        lr = min(box1[1] + 0.5 * box1[3], box2[1] + 0.5 * box2[3]) - \   #得到的lr为重叠区域的高
            max(box1[1] - 0.5 * box1[3], box2[1] - 0.5 * box2[3])
        inter = 0 if tb < 0 or lr < 0 else tb * lr                        #重叠区域面积inter=tb*lr
        return inter / (box1[2] * box1[3] + box2[2] * box2[3] - inter)    #IOU=inter/(box1面积+box2面积)
 
    def camera_detector(self, cap, wait=10):       #读取摄像头,延迟10ms
        detect_timer = Timer()
        ret, _ = cap.read()
 
        while ret:
            ret, frame = cap.read()
            detect_timer.tic()
            result = self.detect(frame)
            detect_timer.toc()
            print('Average detecting time: {:.3f}s'.format(      #统计平均检测时间
                detect_timer.average_time))
 
            self.draw_result(frame, result)             #绘制结果
            cv2.imshow('Camera', frame)
            cv2.waitKey(wait)
 
            ret, frame = cap.read()
 
    def image_detector(self, imname, wait=0):   #读取图像,一直显示
        detect_timer = Timer()
        image = cv2.imread(imname)
 
        detect_timer.tic()
        result = self.detect(image)
        detect_timer.toc()
        print('Average detecting time: {:.3f}s'.format(
            detect_timer.average_time))
 
        self.draw_result(image, result)
        cv2.imshow('Image', image)
        cv2.waitKey(wait)
 
 
def main():
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', default="YOLO_small.ckpt", type=str)
    parser.add_argument('--weight_dir', default='weights', type=str)
    parser.add_argument('--data_dir', default="data", type=str)
    parser.add_argument('--gpu', default='', type=str)
    args = parser.parse_args()
 
    os.environ['CUDA_VISIBLE_DEVICES'] = args.gpu
 
    yolo = YOLONet(False)
    weight_file = os.path.join(args.data_dir, args.weight_dir, args.weights)  #权重文件目录
    detector = Detector(yolo, weight_file)                                    
 
    # detect from camera              #以下是用摄像头做检测输入源
    # cap = cv2.VideoCapture(-1)
    # detector.camera_detector(cap)
 
    # detect from image file          #以下是用图像做检测输入源
    imname = 'test/person.jpg'
    detector.image_detector(imname)
 
 
if __name__ == '__main__':
    main()

如果想更换图像测试,只需要把 test/person.jpg 替换成你的文件目录加文件名即可;
如果想输入摄像头采集的图像,则将
    # cap = cv2.VideoCapture(-1)
    # detector.camera_detector(cap)
取消注释,并注释掉以下两行即可
    imname = 'test/person.jpg'
    detector.image_detector(imname)

我的运行结果如下(环境是win10,用Spyder运行的,其中tensorflow版本建议更换到1.4以上):

我下载的YOLO_small.ckpt放在weights目录下。单张图像检测用时2.527s。

运行视频时如果报错,建议将

with tf.variable_scope(scope):
中添加reuse=True就OK了,关于摄像头参数传0,-1,还是1看你具体设备了。

YOLO对卡通识别效果不错,只是当前模型识别种类太少。

参考文章:

https://blog.csdn.net/qq1483661204/article/details/79681926

https://blog.csdn.net/qq_34784753/article/details/78803423