本专栏所有程序均经过测试，可成功执行
在目标检测中，为了解决尺度变化的问题，通常采用金字塔特征表示。然而，对于基于特征金字塔的单次检测器来说，不同特征尺度之间的不一致性是一个主要限制。为此，研究人员提出了一种新颖的、基于数据的策略，用于金字塔特征融合，称为自适应空间特征融合（ASFF）。它学习了一种方法，用以在空间上过滤冲突信息，从而抑制不一致性，提高了特征的尺度不变性，并且几乎不引入额外的推理开销。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。
目录
1.原理
论文地址：Learning Spatial Fusion for Single-Shot Object Detection——点击即可跳转
官方代码：官方代码仓库——点击即可跳转
自适应空间特征融合（ASFF）的主要原理旨在解决单次检测器中不同尺度特征的不一致性问题。具体来说，ASFF通过动态调整来自不同尺度特征金字塔层的特征贡献，确保每个检测对象的特征表示是一致且最优的。以下是ASFF的主要原理：
原理概述
-
多尺度特征的融合：
-
传统的特征金字塔网络（FPN）在不同尺度上提取特征，但这些特征在空间位置上可能存在不一致性，导致检测效果不佳。
-
ASFF通过一个自适应融合模块，动态地结合来自不同尺度的特征图，使得每个像素点能够获得来自各个尺度的最优特征表示。
-
-
自适应权重学习：
-
ASFF在训练过程中通过一个轻量级的网络结构（如1x1卷积层）学习自适应权重，这些权重用于加权组合来自不同尺度的特征。
-
这个学习过程是自适应的，即权重会根据输入图像的特征和目标物体的位置进行调整，从而确保融合后的特征在空间和语义上都是最优的。
-
-
特征一致性：
-
通过自适应权重，ASFF能有效地调节各尺度特征的贡献，解决了特征金字塔中不同层次特征之间的空间位置不一致性问题。
-
这种融合方式不仅增强了特征的一致性，还提高了检测器对各种尺度目标的响应能力。
-
具体步骤
-
特征提取：
输入图像通过基础卷积神经网络（如ResNet）提取特征，并通过特征金字塔网络（FPN）生成不同尺度的特征图。 -
权重生成：
对每个尺度的特征图，ASFF使用一个小型网络（如1x1卷积层）生成对应的自适应权重图。 -
特征融合：
将不同尺度的特征图与其对应的权重图逐像素相乘，然后进行加权求和，生成最终的融合特征图。 -
检测输出：
最终的融合特征图输入到检测头中，生成检测结果（如边界框和类别预测）。
优势
-
性能提升：通过自适应融合不同尺度的特征，ASFF显著提升了检测精度，特别是在复杂场景和多尺度目标检测任务中。
-
高效性：ASFF在提高性能的同时，保持了较低的计算开销，仅增加了极少的推理时间，适合实时应用。
ASFF的方法通过动态调整特征贡献，确保每个像素点在不同尺度特征上的最优组合，从而提高了单次检测器的整体检测性能。
2. 将ASFF_DETECT代码实现
2.1 ASFF_DETECT添加到YOLOv5中
关键步骤一：将下面代码粘贴到/yolov5-6.1/models/yolo.py文件中
class ASFF_Detect(nn.Module): #add ASFFV5 layer and Rfb
stride = None # strides computed during build
onnx_dynamic = False # ONNX export parameter
export = False # export mode
def __init__(self, nc=80, anchors=(), ch=(), multiplier=0.5,rfb=False,inplace=True): # detection layer
super().__init__()
self.nc = nc # number of classes
self.no = nc + 5 # number of outputs per anchor
self.nl = len(anchors) # number of detection layers
self.na = len(anchors[0]) // 2 # number of anchors
self.grid = [torch.zeros(1)] * self.nl # init grid
self.l0_fusion = ASFFV5(level=0, multiplier=multiplier,rfb=rfb)
self.l1_fusion = ASFFV5(level=1, multiplier=multiplier,rfb=rfb)
self.l2_fusion = ASFFV5(level=2, multiplier=multiplier,rfb=rfb)
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
self.inplace = inplace # use in-place ops (e.g. slice assignment)
def forward(self, x):
z = [] # inference output
result=[]
result.append(self.l2_fusion(x))
result.append(self.l1_fusion(x))
result.append(self.l0_fusion(x))
x=result
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
if not self.training: # inference
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
y = x[i].sigmoid() # https://github.com/iscyy/yoloair
if self.inplace:
y[..., 0:2] = (y[..., 0:2] * 2 + self.grid[i]) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
xy, wh, conf = y.split((2, 2, self.nc + 1), 4) # y.tensor_split((2, 4, 5), 4) # torch 1.8.0
xy = (xy * 2 + self.grid[i]) * self.stride[i] # xy
wh = (wh * 2) ** 2 * self.anchor_grid[i] # wh
y = torch.cat((xy, wh, conf), 4)
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1),) if self.export else (torch.cat(z, 1), x)
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
t = self.anchors[i].dtype
shape = 1, self.na, ny, nx, 2 # grid shape
y, x = torch.arange(ny, device=d, dtype=t), torch.arange(nx, device=d, dtype=t)
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
yv, xv = torch.meshgrid(y, x, indexing='ij')
else:
yv, xv = torch.meshgrid(y, x)
grid = torch.stack((xv, yv), 2).expand(shape) - 0.5 # add grid offset, i.e. y = 2.0 * x - 0.5
anchor_grid = (self.anchors[i] * self.stride[i]).view((1, self.na, 1, 1, 2)).expand(shape)
#print(anchor_grid)
return grid, anchor_grid
2.2 新增yaml文件
关键步骤二：在下/yolov5-6.1/models下新建文件 yolov5_ASFF.yaml并将下面代码复制进去
# YOLOv5 by Ultralytics, GPL-3.0 license
# Parameters
nc: 80 # number of classes
depth_multiple: 1.0 # model depth multiple
width_multiple: 1.0 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, ASFF_Detect, [nc, anchors]], # Detect(P3, P4, P5)
]2.3 注册模块
关键步骤三：在yolo.py中注册,
首先在model的类下面添加下面内容，位置如图所示
if isinstance(m, ASFF_Detect):
s = 256 # 2x min stride
m.inplace = self.inplace
m.stride = torch.tensor([s / x.shape[-2] for x in self.forward(torch.zeros(1, ch, s, s))]) # forward
m.anchors /= m.stride.view(-1, 1, 1)
check_anchor_order(m)
self.stride = m.stride
try:
self._initialize_biases() # only run once
LOGGER.info('initialize_biases done')
except:
LOGGER.info('decoupled no biase ')然后修改_profile_one_layer函数下的代码为
c = isinstance(m, Detect) or isinstance(m, ASFF_Detect) # is final layer, copy input as inplace fix修改后如下图所示
修改_apply的内容
if isinstance(m, Detect) or isinstance(m, ASFF_Detect):修改后如下
在parse_model函数中注册模块
内容如下位置如下
elif m is ASFF_Detect:
args.append([ch[x] for x in f])
if isinstance(args[1], int): # number of anchors
args[1] = [list(range(args[1] * 2))] * len(f)
2.4 执行程序
在train.py中，将cfg的参数路径设置为yolov5_ASFF.yaml的路径
建议大家写绝对路径，确保一定能找到
运行程序，如果出现下面的内容则说明添加成功
3. 完整代码分享
https://pan.baidu.com/s/1C98TemcSlia0n4ngAb9guQ?pwd=z6n4提取码: z6n4
4. GFLOPs
关于GFLOPs的计算方式可以查看：百面算法工程师 | 卷积基础知识——Convolution
未改进的GFLOPs
改进后的GFLOPs
5. 进阶
现在的代码只能适配yolov5s版本，你能将他们扩展为更大的模型吗？
6. 总结
ASFF检测头的核心在于自适应地融合来自不同尺度的特征，以提高单次检测器的精度和鲁棒性。ASFF检测头首先通过基础卷积神经网络提取输入图像的基本特征，并通过特征金字塔网络（FPN）生成多个尺度的特征图。然后，ASFF模块在每个尺度上使用一个轻量级的网络（例如1x1卷积层）生成自适应权重图，这些权重图用来表示各个尺度特征对最终融合特征的贡献。接下来，不同尺度的特征图与对应的权重图逐像素相乘，再进行加权求和，生成一个融合后的特征图，该特征图在空间和语义上都更加一致。最后，这个融合特征图输入到检测头中，用于生成检测结果，包括物体的边界框和类别预测。通过这种自适应的特征融合方法，ASFF检测头有效地解决了不同尺度特征之间的不一致性问题，显著提高了检测精度，同时保持了较低的计算开销，使其适用于实时应用场景。
本站资源均来自互联网，仅供研究学习，禁止违法使用和商用，产生法律纠纷本站概不负责！如果侵犯了您的权益请与我们联系！
转载请注明出处： 免费源码网-免费的源码资源网站 » YOLOv5改进 | Head | 将yolov5的检测头替换为ASFF_Detect
发表评论 取消回复