Yolact模型添加EfficientNet Backbone

àì夳堔傛蜴生んèń 2022-09-16 01:28 131阅读 0赞

前文对[EfficientNet的结构][EfficientNet]进行了解析，这里，我们把这个结构添加到Yolact中去。

模型源码已经上传，托管在github，直接下载即可，[https://github.com/SpaceView/Yolact\_EfficientNet![icon-default.png_t_L9C2][]https://github.com/SpaceView/Yolact\_EfficientNet][https_github.com_SpaceView_Yolact_EfficientNet_icon-default.png_t_L9C2_https_github.com_SpaceView_Yolact_EfficientNet]

附带说明一下，添加不同Backbone时，最重要的就是要理解Yolact的结构，把Feature\_map和FPN的连接弄清楚就没问题了。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5Lid6LSd6KeG5YOPLemrmOeyvuW6puiuoeeul-acuuinhuiniQ_size_19_color_FFFFFF_t_70_g_se_x_16][]

## EfficientNetBackbone基本输出 ##

在上文介绍EfficientNet时，各个输出层的结构是这样的，

self.channels == > [16, 24, 40, 112, 320]
    self.output_layers  == > [0, 2, 4, 10, 15]

在我们的这个EfficientNet Backbone中，采用的正是这个结构。

其feature的输出结构是这样的（假设输入图片尺寸512x512），

p5.shape  -- > torch.Size([1, 320, 16, 16])
    p4.shape  -- > torch.Size([1, 112, 32, 32])
    p3.shape  -- > torch.Size([1, 40, 64, 64])
    p1.shape  -- > torch.Size([1, 24, 128, 128])
    p0.shape  -- > torch.Size([1, 16, 256, 256])

在Yolact中，初次运行时假设图片被调整成550x550的尺寸；

因此，一张 x.shape == > torch.Size(\[1, 3, 550, 550\]) 的图片，通过efficientnet生成的feature\_maps的结构如下

feature_maps[0].shape == > torch.Size([1, 16, 275, 275])
    feature_maps[1].shape == > torch.Size([1, 24, 138, 138])
    feature_maps[2].shape == > torch.Size([1, 40, 69, 69])
    feature_maps[3].shape == > torch.Size([1, 112, 35, 35])
    feature_maps[4].shape == > torch.Size([1, 320, 18, 18])

因为只采用了最后3层，所以，最后feature\_maps的输出是这样的

feature_maps[0].shape  torch.Size([1, 40, 69, 69])
    feature_maps[1].shape  torch.Size([1, 112, 35, 35])
    feature_maps[2].shape  torch.Size([1, 320, 18, 18])

这三层就是源码中的selected\_layers。输入给FPN的通道数由backbone.channels给出。

最近实在太忙了，后面的有时间再补充说明吧，源码已经上传了。

# 使用预训练的模型 #

目前还没有测试，在原来的代码中，[这里][Link 1]（[Cannot download backbone weights · Issue \#48 · zylo117/Yet-Another-EfficientDet-Pytorch · GitHub][Link 1]）提到，不能使用原来efficientnet的权重文件，例如[efficientnet-b0-355c32eb.pth][]的权重文件。

因此，我的办法是，将Yolact运行一下，比如我用了100个iteration，然后把这个文件保存下来，也就是 **yolact\_EfficientNet\_0\_100.pth**，然后，用这个保存下来的文件中的keys，替换掉原来efficientnet-b0-355c32eb.pth 中的keys，生成一个新的 efficientnet-b0-yolact 的权重文件，这样，就可以直接加载 efficientnet-b0-yolact  到模型中初始化这个Backbone的权重了。

具体如何替换请参考：match\_and\_rename\_efficientnet\_dict\_keys.py

我在替换时还生成了2个keys的文本文件，如下，大家可以打开比较一下，具体差别在哪里。  
efficientnet-b0\_keys.txt  
yolact\_EfficientNet\_bacbone\_keys.txt

[EfficientNet]: https://spacevision.blog.csdn.net/article/details/120731601
[icon-default.png_t_L9C2]: /images/20220828/37c1914765114589ad5ab6ccdf32a212.png
[https_github.com_SpaceView_Yolact_EfficientNet_icon-default.png_t_L9C2_https_github.com_SpaceView_Yolact_EfficientNet]: https://github.com/SpaceView/Yolact_EfficientNet
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5Lid6LSd6KeG5YOPLemrmOeyvuW6puiuoeeul-acuuinhuiniQ_size_19_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/da577f86deb14dc09724e91b5b476296.png
[Link 1]: https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch/issues/48
[efficientnet-b0-355c32eb.pth]: https://github.com/lukemelas/EfficientNet-PyTorch/releases/download/1.0/efficientnet-b0-355c32eb.pth