代碼出處

吃水不忘打井人，分析github上的基于keras的實(shí)現(xiàn)：

xuannianz/keras-CenterNet?github.com代碼主體結(jié)構(gòu)

模型訓(xùn)練的主函數(shù)流程如下所示，該流程也是使用keras的較為標(biāo)準(zhǔn)的流程。其中代碼篇幅較大的是數(shù)據(jù)準(zhǔn)備的部分，通常的代碼也亦如此。下面按照不同的部分分別進(jìn)行說(shuō)明。

create_generators 數(shù)據(jù)集準(zhǔn)備

該代碼支持Pascal VOC格式、COCO格式以及CSV格式。keras中有三個(gè)函數(shù)可以用來(lái)進(jìn)行模型的訓(xùn)練：分別是fit，fit_generator和train_on_batch。

fit(train_x, train_y, batchsize, epochs)

在使用fit進(jìn)行模型訓(xùn)練時(shí)，通常假設(shè)整個(gè)訓(xùn)練集都可以放入RAM，并且沒(méi)有數(shù)據(jù)增強(qiáng)（即不需要keras生成器）。常用于簡(jiǎn)單小型的數(shù)據(jù)集訓(xùn)練。

fit_generator；常常使用的模型訓(xùn)練函數(shù)

fit_generator適用于大數(shù)據(jù)集無(wú)法直接全部放入內(nèi)存中，以及標(biāo)注數(shù)據(jù)較少需要使用數(shù)據(jù)增強(qiáng)來(lái)增加訓(xùn)練模型的泛化能力。fit_generator需要傳入一個(gè)數(shù)據(jù)生成器，數(shù)據(jù)生成器可以每次動(dòng)態(tài)的生成一個(gè)batchsize的訓(xùn)練數(shù)據(jù)，通常我們也將數(shù)據(jù)增強(qiáng)放入數(shù)據(jù)生成器中，這樣便可以動(dòng)態(tài)的生成增強(qiáng)后的數(shù)據(jù)。在使用fit_generator時(shí)，需要傳入steps_per_epoch的值，而fit函數(shù)則不需要，這是因?yàn)閒it函數(shù)的steps_per_epoch默認(rèn)等于總的訓(xùn)練數(shù)據(jù)/batchsize，而對(duì)于fit_generator來(lái)說(shuō)，如果采用了數(shù)據(jù)增強(qiáng)，則可以產(chǎn)生無(wú)限的batchsize訓(xùn)練數(shù)據(jù)，因此需要指定該參數(shù)。

By the way，數(shù)據(jù)生成器可以使用keras的API或者直接自己手碼python的代碼，因?yàn)槠浔举|(zhì)上也就是python的函數(shù)。

train_on_batch(batchX, batchY)

train_on_batch用于需要對(duì)訓(xùn)練迭代進(jìn)行精細(xì)控制，給其傳入一批數(shù)據(jù)即可（數(shù)據(jù)大小任意），不需要提供batchsize的大小。通常很少使用該函數(shù)進(jìn)行模型訓(xùn)練。

• 本算法的實(shí)現(xiàn)過(guò)程就是采用的fit_generator進(jìn)行的模型訓(xùn)練。因此需要為其構(gòu)建數(shù)據(jù)生成器。common.py文件：class Generator(keras.utils.Sequence)構(gòu)建數(shù)據(jù)生成器的基類，咱們先說(shuō)道說(shuō)道keras.utils.Sequence這個(gè)類。

keras.utils.Sequence：這個(gè)基類通常應(yīng)用于數(shù)據(jù)集生成一個(gè)數(shù)據(jù)序列。使用時(shí)需構(gòu)建一個(gè)python類繼承自該 基類，并必須實(shí)現(xiàn)__len__和__getitem__兩個(gè)函數(shù)，如果要在每個(gè)epoch間修改數(shù)據(jù)集則需要實(shí)現(xiàn)on_epoch_end 方法。 NOTE：特別注意，__getitem__要返回一個(gè)完整的batchsize數(shù)據(jù)，__len__統(tǒng)計(jì)的也是有多少個(gè)batch

Generator類可以當(dāng)成一個(gè)抽象基類，其中主要實(shí)現(xiàn)的是batch的劃分、數(shù)據(jù)增強(qiáng)的處理、以及標(biāo)注數(shù)據(jù)的轉(zhuǎn)換（將bounding box的標(biāo)注形式轉(zhuǎn)換成高斯分布的標(biāo)注）。而真正使用的數(shù)據(jù)集的生成器如下所示。主要按照不同的數(shù)據(jù)集生成的類，并均都繼承于Generator抽象類，這里區(qū)分不同的數(shù)據(jù)集主要為了能方便區(qū)分其不同的數(shù)據(jù)標(biāo)注格式，使用起來(lái)更為方便。主要是load_annotations()和load_image()函數(shù)的實(shí)現(xiàn)。至此數(shù)據(jù)生成器便構(gòu)建完成了。

class PascalVocGenerator(Generator) class CocoGenerator(Generator)centernet網(wǎng)絡(luò)構(gòu)建

算法實(shí)現(xiàn)采用的Resnet50作為網(wǎng)絡(luò)的backbone，采用下述引用網(wǎng)絡(luò)。網(wǎng)絡(luò)構(gòu)建這里相對(duì)就比較簡(jiǎn)單了，取出Resnet的C5，先添加了一層dropout，然后進(jìn)行了上采樣，然后分別構(gòu)建網(wǎng)絡(luò)head，主要有三支：中心點(diǎn)預(yù)測(cè)、中心點(diǎn)偏移值預(yù)測(cè)以及bouding box的size預(yù)測(cè)。

from keras.applications.resnet50 import ResNet50

最后構(gòu)建model，使用keras的Lambda層構(gòu)建loss，作為model的output

loss_ = Lambda(loss, name='centernet_loss')([y1, y2, y3, hm_input, wh_input, reg_input, reg_mask_input, index_input]) model = Model(inputs=[image_input, hm_input, wh_input, reg_input, reg_mask_input, index_input], outputs=[loss_])預(yù)訓(xùn)練模型權(quán)重加載

keras的模型加載可以使用load_weights來(lái)實(shí)現(xiàn)，其模型加載可以按照模型結(jié)構(gòu)加載，此時(shí)by_name需設(shè)置為False。否則將按照網(wǎng)絡(luò)層的名字來(lái)加載，此時(shí)通常將skip_mismatch也設(shè)置成True，即僅加載名字相同的層，其他名字不同的層直接跳過(guò)。因此可以利用這個(gè)特性，對(duì)已訓(xùn)練好的網(wǎng)絡(luò)局部進(jìn)行修改，然后再加載之前訓(xùn)練好的模型，方便進(jìn)行模型的調(diào)優(yōu)。

model.load_weights(args.snapshot, by_name=True, skip_mismatch=True)模型配置

其中l(wèi)oss參數(shù)的傳遞有幾種形式。

• 目標(biāo)函數(shù)/損失函數(shù)的字符串，比如keras內(nèi)置的一些損失函數(shù)
• 目標(biāo)函數(shù)/損失函數(shù)，通常為自定義的損失函數(shù)
• 將目標(biāo)函數(shù)/損失函數(shù)定義成model的一個(gè)層，類似本代碼的實(shí)現(xiàn)。本代碼實(shí)現(xiàn)時(shí)，因?yàn)橹苯影裭oss作為model的輸出，因此輸入y_true和y_pred，實(shí)際使用y_pred即輸出loss，對(duì)其進(jìn)行優(yōu)化。

model.compile(optimizer=Adam(lr=1e-3), loss={'centernet_loss': lambda y_true, y_pred: y_pred})def compile(self, optimizer,loss=None,metrics=None,loss_weights=None,sample_weight_mode=None,weighted_metrics=None,target_tensors=None,**kwargs):"""Configures the model for training.# Argumentsoptimizer: String (name of optimizer) or optimizer instance.See [optimizers](/optimizers).loss: String (name of objective function) or objective function.See [losses](/losses).If the model has multiple outputs, you can use a different losson each output by passing a dictionary or a list of losses.The loss value that will be minimized by the modelwill then be the sum of all individual losses.metrics: List of metrics to be evaluated by the modelduring training and testing.Typically you will use `metrics=['accuracy']`.To specify different metrics for different outputs of amulti-output model, you could also pass a dictionary,such as `metrics={'output_a': 'accuracy'}`.loss_weights: Optional list or dictionary specifying scalarcoefficients (Python floats) to weight the loss contributionsof different model outputs.The loss value that will be minimized by the modelwill then be the *weighted sum* of all individual losses,weighted by the `loss_weights` coefficients.If a list, it is expected to have a 1:1 mappingto the model's outputs. If a dict, it is expected to mapoutput names (strings) to scalar coefficients.sample_weight_mode: If you need to do timestep-wisesample weighting (2D weights), set this to `"temporal"`.`None` defaults to sample-wise weights (1D).If the model has multiple outputs, you can use a different`sample_weight_mode` on each output by passing adictionary or a list of modes.weighted_metrics: List of metrics to be evaluated and weightedby sample_weight or class_weight during training and testing.target_tensors: By default, Keras will create placeholders for themodel's target, which will be fed with the target data duringtraining. If instead you would like to use your owntarget tensors (in turn, Keras will not expect externalNumpy data for these targets at training time), youcan specify them via the `target_tensors` argument. It can bea single tensor (for a single-output model), a list of tensors,or a dict mapping output names to target tensors.**kwargs: When using the Theano/CNTK backends, these argumentsare passed into `K.function`.When using the TensorFlow backend,these arguments are passed into `tf.Session.run`.

總結(jié)

以上是生活随笔為你收集整理的keras优化算法_目标检测算法 - CenterNet - 代码分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。