睿智的目标检测49——Pytorch 利用mobilenet系列（v1,v2,v3）搭建yolov4-lite目标检测平台

妖狐艹你老母 2022-12-07 01:24 453阅读 0赞

### 睿智的目标检测49——Pytorch 利用mobilenet系列（v1,v2,v3）搭建yolov4-lite目标检测平台 ###

*  学习前言
 *  源码下载
 *  网络替换实现思路
 *   *  1、网络结构解析与替换思路解析
     *  2、mobilenet系列网络介绍
     *   *  a、mobilenetV1介绍
         *  b、mobilenetV2介绍
         *  c、mobilenetV3介绍
     *  3、将预测结果融入到yolov4网络当中
 *  训练自己的YoloV4模型
 *   *  一、数据集的准备
     *  二、数据集的处理
     *  三、开始网络训练
     *  四、训练结果预测

# 学习前言 #

一起来看看如何利用mobilenet系列搭建yolov4目标检测平台。![在这里插入图片描述][20190723165901974.jpg_pic_center]

# 源码下载 #

https://github.com/bubbliiiing/mobilenet-yolov4-lite-pytorch  
喜欢的可以点个star噢。

# 网络替换实现思路 #

## 1、网络结构解析与替换思路解析 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_cneter]  
对于YoloV4而言，其整个网络结构可以分为三个部分。  
分别是：  
1、主干特征提取网络Backbone，对应图像上的CSPdarknet53  
2、加强特征提取网络，对应图像上的SPP和PANet  
3、预测网络YoloHead，利用获得到的特征进行预测

其中：  
第一部分**主干特征提取网络**的功能是进行**初步的特征提取**，利用主干特征提取网络，我们可以获得三个**初步的有效特征层**。  
第二部分**加强特征提取网络**的功能是进行**加强的特征提取**，利用加强特征提取网络，我们可以对三个**初步的有效特征层**进行特征融合，提取出更好的特征，获得三个**更有效的有效特征层**。  
第三部分**预测网络**的功能是利用更有效的有效特整层获得预测结果。

在这三部分中，第1部分和第2部分可以更容易去修改。第3部分可修改内容不大，毕竟本身也只是3x3卷积和1x1卷积的组合。

mobilenet系列网络可用于进行分类，其主干部分的作用是进行特征提取，我们可以使用mobilenet系列网络代替yolov4当中的CSPdarknet53进行特征提取，将三个**初步的有效特征层**相同shape的特征层进行加强特征提取，便可以将mobilenet系列替换进yolov4当中了。

## 2、mobilenet系列网络介绍 ##

本文共用到三个主干特征提取网络，分别是mobilenetV1、mobilenetV2、mobilenetV3。

### a、mobilenetV1介绍 ###

MobileNet模型是Google针对手机等嵌入式设备提出的一种轻量级的深层神经网络，其使用的核心思想便是depthwise separable convolution（深度可分离卷积块）。

对于一个卷积点而言：  
**假设有一个3×3大小的卷积层，其输入通道为16、输出通道为32。具体为，32个3×3大小的卷积核会遍历16个通道中的每个数据，最后可得到所需的32个输出通道，所需参数为16×32×3×3=4608个。**

**应用深度可分离卷积结构块，用16个3×3大小的卷积核分别遍历16通道的数据，得到了16个特征图谱。在融合操作之前，接着用32个1×1大小的卷积核遍历这16个特征图谱，所需参数为16×3×3+16×32×1×1=656个。**  
可以看出来depthwise separable convolution可以减少模型的参数。

如下这张图就是depthwise separable convolution的结构  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center]  
**在建立模型的时候，可以将卷积group设置成in\_filters层实现深度可分离卷积，然后再利用1x1卷积调整channels数。**

通俗地理解就是3x3的卷积核厚度只有一层，然后在输入张量上一层一层地滑动，每一次卷积完生成一个输出通道，当卷积完成后，在利用1x1的卷积调整厚度。

**如下就是MobileNet的结构，其中Conv dw就是分层卷积，在其之后都会接一个1x1的卷积进行通道处理，**  
![在这里插入图片描述][20191030153845940.png_pic_center]  
上图所示是的mobilenetV1-1的结构，由于我没有办法找到pytorch的mobilenetv1的权重资源，我只有mobilenetV1-0.25的权重，所以本文所使用的mobilenetV1版本就是mobilenetV1-0.25。

mobilenetV1-0.25是mobilenetV1-1通道数压缩为原来1/4的网络。  
对于yolov4来讲，我们需要取出它的最后三个shape的有效特征层进行加强特征提取。

在代码中，我们取出了out1、out2、out3。

import time
    import torch
    import torch.nn as nn
    import torchvision.models._utils as _utils
    import torchvision.models as models
    import torch.nn.functional as F
    from torch.autograd import Variable
    
    def conv_bn(inp, oup, stride = 1):
        return nn.Sequential(
            nn.Conv2d(inp, oup, 3, stride, 1, bias=False),
            nn.BatchNorm2d(oup),
            nn.ReLU6(inplace=True)
        )
        
    def conv_dw(inp, oup, stride = 1):
        return nn.Sequential(
            nn.Conv2d(inp, inp, 3, stride, 1, groups=inp, bias=False),
            nn.BatchNorm2d(inp),
            nn.ReLU6(inplace=True),
    
            nn.Conv2d(inp, oup, 1, 1, 0, bias=False),
            nn.BatchNorm2d(oup),
            nn.ReLU6(inplace=True),
        )
    
    class MobileNetV1(nn.Module):
        def __init__(self):
            super(MobileNetV1, self).__init__()
            self.stage1 = nn.Sequential(
                # 640,640,3 -> 320,320,32
                conv_bn(3, 32, 2),
                # 320,320,32 -> 320,320,64
                conv_dw(32, 64, 1), 
    
                # 320,320,64 -> 160,160,128
                conv_dw(64, 128, 2),
                conv_dw(128, 128, 1),
    
                # 160,160,128 -> 80,80,256
                conv_dw(128, 256, 2),
                conv_dw(256, 256, 1), 
            )
                # 80,80,256 -> 40,40,512
            self.stage2 = nn.Sequential(
                conv_dw(256, 512, 2),
                conv_dw(512, 512, 1),
                conv_dw(512, 512, 1),
                conv_dw(512, 512, 1), 
                conv_dw(512, 512, 1),
                conv_dw(512, 512, 1),
            )
                # 40,40,512 -> 20,20,1024
            self.stage3 = nn.Sequential(
                conv_dw(512, 1024, 2),
                conv_dw(1024, 1024, 1),
            )
            self.avg = nn.AdaptiveAvgPool2d((1,1))
            self.fc = nn.Linear(1024, 1000)
    
        def forward(self, x):
            x = self.stage1(x)
            x = self.stage2(x)
            x = self.stage3(x)
            x = self.avg(x)
            # x = self.model(x)
            x = x.view(-1, 1024)
            x = self.fc(x)
            return x
    
    def mobilenet_v1(pretrained=False, progress=True):
        model = MobileNetV1()
        if pretrained:
            print("mobilenet_v1 has no pretrained model")
        return model
    
    if __name__ == "__main__":
        import torch
        from torchsummary import summary
    
        # 需要使用device来指定网络在GPU还是CPU运行
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
        model = mobilenet_v1().to(device)
        summary(model, input_size=(3, 416, 416))

### b、mobilenetV2介绍 ###

MobileNetV2是MobileNet的升级版，它具有一个非常重要的特点就是使用了Inverted resblock，整个mobilenetv2都由Inverted resblock组成。

Inverted resblock可以分为两个部分：  
左边是主干部分，**首先利用1x1卷积进行升维，然后利用3x3深度可分离卷积进行特征提取，然后再利用1x1卷积降维**。  
右边是残差边部分，**输入和输出直接相接**。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 1]

整体网络结构如下：（其中Inverted resblock进行的操作就是上述结构）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 2]  
对于yolov4来讲，我们需要取出它的最后三个shape的有效特征层进行加强特征提取。

在代码中，我们取出了out1、out2、out3。

from torch import nn
    from torchvision.models.utils import load_state_dict_from_url
    
    model_urls = {
        
        'mobilenet_v2': 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth',
    }
    
    
    def _make_divisible(v, divisor, min_value=None):
        if min_value is None:
            min_value = divisor
        new_v = max(min_value, int(v + divisor / 2) // divisor * divisor)
        if new_v < 0.9 * v:
            new_v += divisor
        return new_v
    
    class ConvBNReLU(nn.Sequential):
        def __init__(self, in_planes, out_planes, kernel_size=3, stride=1, groups=1):
            padding = (kernel_size - 1) // 2
            super(ConvBNReLU, self).__init__(
                nn.Conv2d(in_planes, out_planes, kernel_size, stride, padding, groups=groups, bias=False),
                nn.BatchNorm2d(out_planes),
                nn.ReLU6(inplace=True)
            )
    
    class InvertedResidual(nn.Module):
        def __init__(self, inp, oup, stride, expand_ratio):
            super(InvertedResidual, self).__init__()
            self.stride = stride
            assert stride in [1, 2]
    
            hidden_dim = int(round(inp * expand_ratio))
            self.use_res_connect = self.stride == 1 and inp == oup
    
            layers = []
            if expand_ratio != 1:
                layers.append(ConvBNReLU(inp, hidden_dim, kernel_size=1))
            layers.extend([
                ConvBNReLU(hidden_dim, hidden_dim, stride=stride, groups=hidden_dim),
                nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
                nn.BatchNorm2d(oup),
            ])
            self.conv = nn.Sequential(*layers)
    
        def forward(self, x):
            if self.use_res_connect:
                return x + self.conv(x)
            else:
                return self.conv(x)
    
    
    class MobileNetV2(nn.Module):
        def __init__(self, num_classes=1000, width_mult=1.0, inverted_residual_setting=None, round_nearest=8):
            super(MobileNetV2, self).__init__()
            block = InvertedResidual
            input_channel = 32
            last_channel = 1280
    
            if inverted_residual_setting is None:
                inverted_residual_setting = [
                    # t, c, n, s
                    [1, 16, 1, 1],
                    [6, 24, 2, 2],
                    [6, 32, 3, 2],
                    [6, 64, 4, 2],
                    [6, 96, 3, 1],
                    [6, 160, 3, 2],
                    [6, 320, 1, 1],
                ]
    
            if len(inverted_residual_setting) == 0 or len(inverted_residual_setting[0]) != 4:
                raise ValueError("inverted_residual_setting should be non-empty "
                                 "or a 4-element list, got {}".format(inverted_residual_setting))
    
            input_channel = _make_divisible(input_channel * width_mult, round_nearest)
            self.last_channel = _make_divisible(last_channel * max(1.0, width_mult), round_nearest)
            features = [ConvBNReLU(3, input_channel, stride=2)]
    
            for t, c, n, s in inverted_residual_setting:
                output_channel = _make_divisible(c * width_mult, round_nearest)
                for i in range(n):
                    stride = s if i == 0 else 1
                    features.append(block(input_channel, output_channel, stride, expand_ratio=t))
                    input_channel = output_channel
    
            features.append(ConvBNReLU(input_channel, self.last_channel, kernel_size=1))
            self.features = nn.Sequential(*features)
    
            self.classifier = nn.Sequential(
                nn.Dropout(0.2),
                nn.Linear(self.last_channel, num_classes),
            )
    
            for m in self.modules():
                if isinstance(m, nn.Conv2d):
                    nn.init.kaiming_normal_(m.weight, mode='fan_out')
                    if m.bias is not None:
                        nn.init.zeros_(m.bias)
                elif isinstance(m, nn.BatchNorm2d):
                    nn.init.ones_(m.weight)
                    nn.init.zeros_(m.bias)
                elif isinstance(m, nn.Linear):
                    nn.init.normal_(m.weight, 0, 0.01)
                    nn.init.zeros_(m.bias)
    
        def forward(self, x):
            x = self.features(x)
            x = x.mean([2, 3])
            x = self.classifier(x)
            return x
    
    def mobilenet_v2(pretrained=False, progress=True):
        model = MobileNetV2()
        if pretrained:
            state_dict = load_state_dict_from_url(model_urls['mobilenet_v2'], model_dir="model_data",
                                                  progress=progress)
            model.load_state_dict(state_dict)
    
        return model
    
    if __name__ == "__main__":
        print(mobilenet_v2())

### c、mobilenetV3介绍 ###

mobilenetV3使用了特殊的bneck结构。

**bneck结构如下图所示：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70]  
它综合了以下四个特点：  
**a、MobileNetV2的具有线性瓶颈的逆残差结构(the inverted residual with linear bottleneck)。**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 3]  
即先利用1x1卷积进行升维度，再进行下面的操作，并具有残差边。

**b、MobileNetV1的深度可分离卷积（depthwise separable convolutions）。**  
![在这里插入图片描述][20200122114248827.png_pic_center]  
在输入1x1卷积进行升维度后，进行3x3深度可分离卷积。

**c、轻量级的注意力模型。**  
![在这里插入图片描述][20200122114436947.png_pic_center]  
这个注意力机制的作用方式是调整每个通道的权重。

**d、利用h-swish代替swish函数。**  
在结构中使用了h-swishj激活函数，代替swish函数，减少运算量，提高性能。  
![在这里插入图片描述][20200122114753656.png_pic_center]

下图为整个mobilenetV3的结构图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 4]  
如何看懂这个表呢？我们从每一列出发：  
**第一列Input代表mobilenetV3每个特征层的shape变化；  
第二列Operator代表每次特征层即将经历的block结构，我们可以看到在MobileNetV3中，特征提取经过了许多的bneck结构；  
第三、四列分别代表了bneck内逆残差结构上升后的通道数、输入到bneck时特征层的通道数。  
第五列SE代表了是否在这一层引入注意力机制。  
第六列NL代表了激活函数的种类，HS代表h-swish，RE代表RELU。  
第七列s代表了每一次block结构所用的步长。**

对于yolov4来讲，我们需要取出它的最后三个shape的有效特征层进行加强特征提取。

在代码中，我们取出了out1、out2、out3。

import torch.nn as nn
    import math
    import torch
    def _make_divisible(v, divisor, min_value=None):
        if min_value is None:
            min_value = divisor
        new_v = max(min_value, int(v + divisor / 2) // divisor * divisor)
        # Make sure that round down does not go down by more than 10%.
        if new_v < 0.9 * v:
            new_v += divisor
        return new_v
    
    class h_sigmoid(nn.Module):
        def __init__(self, inplace=True):
            super(h_sigmoid, self).__init__()
            self.relu = nn.ReLU6(inplace=inplace)
    
        def forward(self, x):
            return self.relu(x + 3) / 6
    
    
    class h_swish(nn.Module):
        def __init__(self, inplace=True):
            super(h_swish, self).__init__()
            self.sigmoid = h_sigmoid(inplace=inplace)
    
        def forward(self, x):
            return x * self.sigmoid(x)
    
    
    class SELayer(nn.Module):
        def __init__(self, channel, reduction=4):
            super(SELayer, self).__init__()
            self.avg_pool = nn.AdaptiveAvgPool2d(1)
            self.fc = nn.Sequential(
                    nn.Linear(channel, _make_divisible(channel // reduction, 8)),
                    nn.ReLU(inplace=True),
                    nn.Linear(_make_divisible(channel // reduction, 8), channel),
                    h_sigmoid()
            )
    
        def forward(self, x):
            b, c, _, _ = x.size()
            y = self.avg_pool(x).view(b, c)
            y = self.fc(y).view(b, c, 1, 1)
            return x * y
    
    
    def conv_3x3_bn(inp, oup, stride):
        return nn.Sequential(
            nn.Conv2d(inp, oup, 3, stride, 1, bias=False),
            nn.BatchNorm2d(oup),
            h_swish()
        )
    
    
    def conv_1x1_bn(inp, oup):
        return nn.Sequential(
            nn.Conv2d(inp, oup, 1, 1, 0, bias=False),
            nn.BatchNorm2d(oup),
            h_swish()
        )
    
    
    class InvertedResidual(nn.Module):
        def __init__(self, inp, hidden_dim, oup, kernel_size, stride, use_se, use_hs):
            super(InvertedResidual, self).__init__()
            assert stride in [1, 2]
    
            self.identity = stride == 1 and inp == oup
    
            if inp == hidden_dim:
                self.conv = nn.Sequential(
                    # dw
                    nn.Conv2d(hidden_dim, hidden_dim, kernel_size, stride, (kernel_size - 1) // 2, groups=hidden_dim, bias=False),
                    nn.BatchNorm2d(hidden_dim),
                    h_swish() if use_hs else nn.ReLU(inplace=True),
                    # Squeeze-and-Excite
                    SELayer(hidden_dim) if use_se else nn.Identity(),
                    # pw-linear
                    nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
                    nn.BatchNorm2d(oup),
                )
            else:
                self.conv = nn.Sequential(
                    # pw
                    nn.Conv2d(inp, hidden_dim, 1, 1, 0, bias=False),
                    nn.BatchNorm2d(hidden_dim),
                    h_swish() if use_hs else nn.ReLU(inplace=True),
                    # dw
                    nn.Conv2d(hidden_dim, hidden_dim, kernel_size, stride, (kernel_size - 1) // 2, groups=hidden_dim, bias=False),
                    nn.BatchNorm2d(hidden_dim),
                    # Squeeze-and-Excite
                    SELayer(hidden_dim) if use_se else nn.Identity(),
                    h_swish() if use_hs else nn.ReLU(inplace=True),
                    # pw-linear
                    nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
                    nn.BatchNorm2d(oup),
                )
    
        def forward(self, x):
            if self.identity:
                return x + self.conv(x)
            else:
                return self.conv(x)
    
    
    class MobileNetV3(nn.Module):
        def __init__(self, num_classes=1000, width_mult=1.):
            super(MobileNetV3, self).__init__()
            # setting of inverted residual blocks
            self.cfgs = [
                #` k, t, c, SE, HS, s 
                [3,   1,  16, 0, 0, 1],
                [3,   4,  24, 0, 0, 2],
                [3,   3,  24, 0, 0, 1],
                [5,   3,  40, 1, 0, 2],
                [5,   3,  40, 1, 0, 1],
                [5,   3,  40, 1, 0, 1],
                [3,   6,  80, 0, 1, 2],
                [3, 2.5,  80, 0, 1, 1],
                [3, 2.3,  80, 0, 1, 1],
                [3, 2.3,  80, 0, 1, 1],
                [3,   6, 112, 1, 1, 1],
                [3,   6, 112, 1, 1, 1],
                [5,   6, 160, 1, 1, 2],
                [5,   6, 160, 1, 1, 1],
                [5,   6, 160, 1, 1, 1]
            ]
    
            input_channel = _make_divisible(16 * width_mult, 8)
            layers = [conv_3x3_bn(3, input_channel, 2)]
    
            block = InvertedResidual
            for k, t, c, use_se, use_hs, s in self.cfgs:
                output_channel = _make_divisible(c * width_mult, 8)
                exp_size = _make_divisible(input_channel * t, 8)
                layers.append(block(input_channel, exp_size, output_channel, k, s, use_se, use_hs))
                input_channel = output_channel
            self.features = nn.Sequential(*layers)
    
            self.conv = conv_1x1_bn(input_channel, exp_size)
            self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
            output_channel = _make_divisible(1280 * width_mult, 8) if width_mult > 1.0 else 1280
            self.classifier = nn.Sequential(
                nn.Linear(exp_size, output_channel),
                h_swish(),
                nn.Dropout(0.2),
                nn.Linear(output_channel, num_classes),
            )
    
            self._initialize_weights()
    
        def forward(self, x):
            x = self.features(x)
            x = self.conv(x)
            x = self.avgpool(x)
            x = x.view(x.size(0), -1)
            x = self.classifier(x)
            return x
    
        def _initialize_weights(self):
            for m in self.modules():
                if isinstance(m, nn.Conv2d):
                    n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
                    m.weight.data.normal_(0, math.sqrt(2. / n))
                    if m.bias is not None:
                        m.bias.data.zero_()
                elif isinstance(m, nn.BatchNorm2d):
                    m.weight.data.fill_(1)
                    m.bias.data.zero_()
                elif isinstance(m, nn.Linear):
                    n = m.weight.size(1)
                    m.weight.data.normal_(0, 0.01)
                    m.bias.data.zero_()
    
    def mobilenet_v3(pretrained=False, **kwargs):
        model = MobileNetV3(**kwargs)
        if pretrained:
            state_dict = torch.load('./model_data/mobilenetv3-large-1cd25616.pth')
            model.load_state_dict(state_dict, strict=True)
        return model

## 3、将预测结果融入到yolov4网络当中 ##

**利用上一步定义的MobilenetV1、MobilenetV2、MobilenetV3三个函数我们可以获得每个Mobilenet网络对应的三个有效特征层。**

我们可以利用这三个有效特征层替换原来yolov4主干网络CSPdarknet53的有效特征层。

**为了进一步减少参数量，我们可以使用深度可分离卷积代替yoloV3中用到的普通卷积。**

实现代码如下：

import torch
    import torch.nn as nn
    from collections import OrderedDict
    from nets.mobilenet_v1 import mobilenet_v1
    from nets.mobilenet_v2 import mobilenet_v2
    from nets.mobilenet_v3 import mobilenet_v3
    
    class MobileNetV1(nn.Module):
        def __init__(self, pretrained = False):
            super(MobileNetV1, self).__init__()
            self.model = mobilenet_v1(pretrained=pretrained)
    
        def forward(self, x):
            out3 = self.model.stage1(x)
            out4 = self.model.stage2(out3)
            out5 = self.model.stage3(out4)
            return out3, out4, out5
    
    class MobileNetV2(nn.Module):
        def __init__(self, pretrained = False):
            super(MobileNetV2, self).__init__()
            self.model = mobilenet_v2(pretrained=pretrained)
    
        def forward(self, x):
            out3 = self.model.features[:7](x)
            out4 = self.model.features[7:14](out3)
            out5 = self.model.features[14:18](out4)
            return out3, out4, out5
    
    class MobileNetV3(nn.Module):
        def __init__(self, pretrained = False):
            super(MobileNetV3, self).__init__()
            self.model = mobilenet_v3(pretrained=pretrained)
    
        def forward(self, x):
            out3 = self.model.features[:7](x)
            out4 = self.model.features[7:13](out3)
            out5 = self.model.features[13:16](out4)
            return out3, out4, out5
    
    def conv2d(filter_in, filter_out, kernel_size, groups=1, stride=1):
        pad = (kernel_size - 1) // 2 if kernel_size else 0
        return nn.Sequential(OrderedDict([
            ("conv", nn.Conv2d(filter_in, filter_out, kernel_size=kernel_size, stride=stride, padding=pad, groups=groups, bias=False)),
            ("bn", nn.BatchNorm2d(filter_out)),
            ("relu", nn.ReLU6(inplace=True)),
        ]))
    
    def conv_dw(filter_in, filter_out, stride = 1):
        return nn.Sequential(
            nn.Conv2d(filter_in, filter_in, 3, stride, 1, groups=filter_in, bias=False),
            nn.BatchNorm2d(filter_in),
            nn.ReLU6(inplace=True),
    
            nn.Conv2d(filter_in, filter_out, 1, 1, 0, bias=False),
            nn.BatchNorm2d(filter_out),
            nn.ReLU6(inplace=True),
        )
    
    #---------------------------------------------------#
    #   SPP结构，利用不同大小的池化核进行池化
    #   池化后堆叠
    #---------------------------------------------------#
    class SpatialPyramidPooling(nn.Module):
        def __init__(self, pool_sizes=[5, 9, 13]):
            super(SpatialPyramidPooling, self).__init__()
    
            self.maxpools = nn.ModuleList([nn.MaxPool2d(pool_size, 1, pool_size//2) for pool_size in pool_sizes])
    
        def forward(self, x):
            features = [maxpool(x) for maxpool in self.maxpools[::-1]]
            features = torch.cat(features + [x], dim=1)
    
            return features
    
    #---------------------------------------------------#
    #   卷积 + 上采样
    #---------------------------------------------------#
    class Upsample(nn.Module):
        def __init__(self, in_channels, out_channels):
            super(Upsample, self).__init__()
    
            self.upsample = nn.Sequential(
                conv2d(in_channels, out_channels, 1),
                nn.Upsample(scale_factor=2, mode='nearest')
            )
    
        def forward(self, x,):
            x = self.upsample(x)
            return x
    
    #---------------------------------------------------#
    #   三次卷积块
    #---------------------------------------------------#
    def make_three_conv(filters_list, in_filters):
        m = nn.Sequential(
            conv2d(in_filters, filters_list[0], 1),
            conv_dw(filters_list[0], filters_list[1]),
            conv2d(filters_list[1], filters_list[0], 1),
        )
        return m
    
    #---------------------------------------------------#
    #   五次卷积块
    #---------------------------------------------------#
    def make_five_conv(filters_list, in_filters):
        m = nn.Sequential(
            conv2d(in_filters, filters_list[0], 1),
            conv_dw(filters_list[0], filters_list[1]),
            conv2d(filters_list[1], filters_list[0], 1),
            conv_dw(filters_list[0], filters_list[1]),
            conv2d(filters_list[1], filters_list[0], 1),
        )
        return m
    
    #---------------------------------------------------#
    #   最后获得yolov4的输出
    #---------------------------------------------------#
    def yolo_head(filters_list, in_filters):
        m = nn.Sequential(
            conv_dw(in_filters, filters_list[0]),
            
            nn.Conv2d(filters_list[0], filters_list[1], 1),
        )
        return m
    
    #---------------------------------------------------#
    #   yolo_body
    #---------------------------------------------------#
    class YoloBody(nn.Module):
        def __init__(self, num_anchors, num_classes, backbone="mobilenetv2", pretrained=False):
            super(YoloBody, self).__init__()
            #  backbone
            if backbone == "mobilenetv1":
                self.backbone = MobileNetV1(pretrained=pretrained)
                alpha = 1
                in_filters = [256,512,1024]
            elif backbone == "mobilenetv2":
                self.backbone = MobileNetV2(pretrained=pretrained)
                alpha = 1
                in_filters = [32,96,320]
            elif backbone == "mobilenetv3":
                self.backbone = MobileNetV3(pretrained=pretrained)
                alpha = 1
                in_filters = [40,112,160]
            else:
                raise ValueError('Unsupported backbone - `{}`, Use mobilenetv1, mobilenetv2, mobilenetv3.'.format(backbone))
    
            self.conv1           = make_three_conv([int(512*alpha), int(1024*alpha)], in_filters[2])
            self.SPP             = SpatialPyramidPooling()
            self.conv2           = make_three_conv([int(512*alpha), int(1024*alpha)], int(2048*alpha))
    
            self.upsample1       = Upsample(int(512*alpha), int(256*alpha))
            self.conv_for_P4     = conv2d(in_filters[1], int(256*alpha),1)
            self.make_five_conv1 = make_five_conv([int(256*alpha), int(512*alpha)], int(512*alpha))
    
            self.upsample2       = Upsample(int(256*alpha), int(128*alpha))
            self.conv_for_P3     = conv2d(in_filters[0], int(128*alpha),1)
            self.make_five_conv2 = make_five_conv([ int(128*alpha), int(256*alpha)], int(256*alpha))
            # 3*(5+num_classes)=3*(5+20)=3*(4+1+20)=75
            # 4+1+num_classes
            final_out_filter2    = num_anchors * (5 + num_classes)
            self.yolo_head3      = yolo_head([int(256*alpha), final_out_filter2],int(128*alpha))
    
            self.down_sample1    = conv_dw(int(128*alpha), int(256*alpha),stride=2)
            self.make_five_conv3 = make_five_conv([int(256*alpha), int(512*alpha)],int(512*alpha))
            # 3*(5+num_classes)=3*(5+20)=3*(4+1+20)=75
            final_out_filter1    = num_anchors * (5 + num_classes)
            self.yolo_head2      = yolo_head([int(512*alpha), final_out_filter1], int(256*alpha))
    
    
            self.down_sample2    = conv_dw(int(256*alpha), int(512*alpha),stride=2)
            self.make_five_conv4 = make_five_conv([int(512*alpha), int(1024*alpha)], int(1024*alpha))
            # 3*(5+num_classes)=3*(5+20)=3*(4+1+20)=75
            final_out_filter0    = num_anchors * (5 + num_classes)
            self.yolo_head1      = yolo_head([int(1024*alpha), final_out_filter0], int(512*alpha))
    
    
        def forward(self, x):
            #  backbone
            x2, x1, x0 = self.backbone(x)
    
            P5 = self.conv1(x0)
            P5 = self.SPP(P5)
            P5 = self.conv2(P5)
    
            P5_upsample = self.upsample1(P5)
            P4 = self.conv_for_P4(x1)
            P4 = torch.cat([P4,P5_upsample],axis=1)
            P4 = self.make_five_conv1(P4)
    
            P4_upsample = self.upsample2(P4)
            P3 = self.conv_for_P3(x2)
            P3 = torch.cat([P3,P4_upsample],axis=1)
            P3 = self.make_five_conv2(P3)
    
            P3_downsample = self.down_sample1(P3)
            P4 = torch.cat([P3_downsample,P4],axis=1)
            P4 = self.make_five_conv3(P4)
    
            P4_downsample = self.down_sample2(P4)
            P5 = torch.cat([P4_downsample,P5],axis=1)
            P5 = self.make_five_conv4(P5)
    
            out2 = self.yolo_head3(P3)
            out1 = self.yolo_head2(P4)
            out0 = self.yolo_head1(P5)
    
            return out0, out1, out2

# 训练自己的YoloV4模型 #

**首先前往Github下载对应的仓库，下载完后利用解压软件解压，之后用编程软件打开文件夹。  
注意打开的根目录必须正确，否则相对目录不正确的情况下，代码将无法运行。**  
一定要注意打开后的根目录是文件存放的目录。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQnViYmxpaWlpbmc_size_9_color_FFFFFF_t_70_g_se_x_16_pic_center]

## 一、数据集的准备 ##

**本文使用VOC格式进行训练，训练前需要自己制作好数据集，如果没有自己的数据集，可以通过Github连接下载VOC12+07的数据集尝试下。**  
训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 5]  
训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 6]  
此时数据集的摆放已经结束。

## 二、数据集的处理 ##

在完成数据集的摆放之后，我们需要对数据集进行下一步的处理，目的是获得训练用的2007\_train.txt以及2007\_val.txt，需要用到根目录下的voc\_annotation.py。

voc\_annotation.py里面有一些参数需要设置。  
分别是annotation\_mode、classes\_path、trainval\_percent、train\_percent、VOCdevkit\_path，第一次训练可以仅修改classes\_path

'''
    annotation_mode用于指定该文件运行时计算的内容
    annotation_mode为0代表整个标签处理过程，包括获得VOCdevkit/VOC2007/ImageSets里面的txt以及训练用的2007_train.txt、2007_val.txt
    annotation_mode为1代表获得VOCdevkit/VOC2007/ImageSets里面的txt
    annotation_mode为2代表获得训练用的2007_train.txt、2007_val.txt
    '''
    annotation_mode     = 0
    '''
    必须要修改，用于生成2007_train.txt、2007_val.txt的目标信息
    与训练和预测所用的classes_path一致即可
    如果生成的2007_train.txt里面没有目标信息
    那么就是因为classes没有设定正确
    仅在annotation_mode为0和2的时候有效
    '''
    classes_path        = 'model_data/voc_classes.txt'
    '''
    trainval_percent用于指定(训练集+验证集)与测试集的比例，默认情况下 (训练集+验证集):测试集 = 9:1
    train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下 训练集:验证集 = 9:1
    仅在annotation_mode为0和1的时候有效
    '''
    trainval_percent    = 0.9
    train_percent       = 0.9
    '''
    指向VOC数据集所在的文件夹
    默认指向根目录下的VOC数据集
    '''
    VOCdevkit_path  = 'VOCdevkit'

classes\_path用于指向检测类别所对应的txt，以voc数据集为例，我们用的txt为：  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQnViYmxpaWlpbmc_size_18_color_FFFFFF_t_70_g_se_x_16_pic_center]  
训练自己的数据集时，可以自己建立一个cls\_classes.txt，里面写自己所需要区分的类别。

## 三、开始网络训练 ##

**通过voc\_annotation.py我们已经生成了2007\_train.txt以及2007\_val.txt，此时我们可以开始训练了。  
训练的参数较多，大家可以在下载库后仔细看注释，其中最重要的部分依然是train.py里的classes\_path。**

**classes\_path用于指向检测类别所对应的txt，这个txt和voc\_annotation.py里面的txt一样！训练自己的数据集必须要修改！**  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQnViYmxpaWlpbmc_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]  
修改完classes\_path后就可以运行train.py开始训练了，在训练多个epoch后，权值会生成在logs文件夹中。

另外，backbone参数用于指定所用的主干特征提取网络，可以在mobilenetv1, mobilenetv2, mobilenetv3中进行选择。

训练前需要注意所用mobilenet版本和预训练权重的对齐。

其它参数的作用如下：

#-------------------------------#
    #   是否使用Cuda
    #   没有GPU可以设置成False
    #-------------------------------#
    Cuda = True
    #--------------------------------------------------------#
    #   训练前一定要修改classes_path，使其对应自己的数据集
    #--------------------------------------------------------#
    classes_path    = 'model_data/voc_classes.txt'
    #---------------------------------------------------------------------#
    #   anchors_path代表先验框对应的txt文件，一般不修改。
    #   anchors_mask用于帮助代码找到对应的先验框，一般不修改。
    #---------------------------------------------------------------------#
    anchors_path    = 'model_data/yolo_anchors.txt'
    anchors_mask    = [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
    #------------------------------------------------------------------------------------------------------#
    #   权值文件请看README，百度网盘下载。数据的预训练权重对不同数据集是通用的，因为特征是通用的
    #   预训练权重对于99%的情况都必须要用，不用的话权值太过随机，特征提取效果不明显，网络训练的结果也不会好。
    #   训练自己的数据集时提示维度不匹配正常，预测的东西都不一样了自然维度不匹配
    #   如果想要断点续练就将model_path设置成logs文件夹下已经训练的权值文件。 
    #------------------------------------------------------------------------------------------------------#
    model_path      = 'model_data/yolov4_mobilenet_v1_voc.pth'
    #------------------------------------------------------#
    #   输入的shape大小，一定要是32的倍数
    #------------------------------------------------------#
    input_shape     = [416, 416]
    #-------------------------------#
    #   所使用的主干特征提取网络
    #   mobilenetv1
    #   mobilenetv2
    #   mobilenetv3
    #   ghostnet
    #-------------------------------#
    backbone        = "mobilenetv1"
    #----------------------------------#
    #   是否使用主干网络的预训练权重
    #   只包括主干部分，与model_path无关
    #----------------------------------#
    pretrained      = False
    #------------------------------------------------------#
    #   Yolov4的tricks应用
    #   mosaic 马赛克数据增强 True or False 
    #   实际测试时mosaic数据增强并不稳定，所以默认为False
    #   Cosine_scheduler 余弦退火学习率 True or False
    #   label_smoothing 标签平滑 0.01以下一般 如0.01、0.005
    #------------------------------------------------------#
    mosaic              = False
    Cosine_lr           = False
    label_smoothing     = 0

## 四、训练结果预测 ##

训练结果预测需要用到两个文件，分别是yolo.py和predict.py。  
我们首先需要去yolo.py里面修改model\_path以及classes\_path，这两个参数必须要修改。

另外，backbone参数用于指定所用的主干特征提取网络，可以在mobilenetv1, mobilenetv2, mobilenetv3中进行选择。

**model\_path指向训练好的权值文件，在logs文件夹里。  
classes\_path指向检测类别所对应的txt。**  
![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQnViYmxpaWlpbmc_size_19_color_FFFFFF_t_70_g_se_x_16_pic_center][]  
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。

[20190723165901974.jpg_pic_center]: /images/20221123/470564913d0146eea2a89c55adedd0d7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_cneter]: /images/20221123/2754142c3ff64e5cbdeeccb3ef1a81b7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center]: /images/20221123/b06117d3f370459b9a490ca4259b4dd6.png
[20191030153845940.png_pic_center]: /images/20221123/8f176105da5c4331947b47dfd240f49d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221123/3b12c6e6d0bd4893b26c6a5953ffc44e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221123/9a971f0f3f544424af92ea321fb0f2b3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70]: /images/20221123/81a60524bb7d4efdb22319e424a4f63f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221123/9ea136346e994f3898373446ddc343c1.png
[20200122114248827.png_pic_center]: /images/20221123/901ce325964c49fa809ab7cb60a21a10.png
[20200122114436947.png_pic_center]: /images/20221123/deef850051c749bb99a879367beb93c1.png
[20200122114753656.png_pic_center]: /images/20221123/2f30aff8bd724d8584c9ac6f0889201b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221123/ff06ceacd671491ebf8ca5ed1d108a04.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQnViYmxpaWlpbmc_size_9_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20221123/825c7abc540a4d29b37523c4081575e9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221123/1790f3719a9d431e88f3e1bd8119b4b7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc5MTk2NA_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221123/1fbd34bb34b04f2ea8522bca1c466c3c.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQnViYmxpaWlpbmc_size_18_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20221123/84985611b7134550ae1080b2d5aa46d2.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQnViYmxpaWlpbmc_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20221123/48f1ff48ae254de79f75d32a8e4152dc.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQnViYmxpaWlpbmc_size_19_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20221123/bbc3c4d2bb474097855e651fafaa7c44.png