yolo v2 损失函数源码（训练核心代码）解读和其实现原理

前提说明：

    1, 关于 yolo 和 yolo v2 的详细解释请移步至如下两个链接，或者直接看论文（我自己有想写 yolo 的教程，但思前想后下面两个链接中的文章质量实在是太好了_(:з」∠)_）

        yolo: https://zhuanlan.zhihu.com/p/24916786?refer=xiaoleimlnote

        yolo v2: https://zhuanlan.zhihu.com/p/25167153

    2, 本文仅解读 yolo v2 的 loss 函数的源码，该代码请使用如下命令

            git clone https://github.com/pjreddie/darknet
        后打开 src/region_layer.c 查看

    3, yolo 的官方网站地址为：https://pjreddie.com/darknet/yolo/

    4, 我调试代码时使用的命令是：

            ./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23

最新版yolo v2的损失函数的源码解读(解释无GPU版本)，如下：

void forward_region_layer(const region_layer l, network_state state)
{
int i,j,b,t,n;
//size代表着每个box需要预测出来的参数。
int size = l.coords + l.classes + 1;
memcpy(l.output, state.input, l.outputs*l.batch*sizeof(float));
#ifndef GPU
flatten(l.output, l.w*l.h, size*l.n, l.batch, 1);
#endif
for (b = 0; b < l.batch; ++b){
for(i = 0; i < l.h*l.w*l.n; ++i){
int index = size*i + b*l.outputs;
l.output[index + 4] = logistic_activate(l.output[index + 4]);
}
}
#ifndef GPU
if (l.softmax_tree){
for (b = 0; b < l.batch; ++b){
for(i = 0; i < l.h*l.w*l.n; ++i){
int index = size*i + b*l.outputs;
softmax_tree(l.output + index + 5, 1, 0, 1, l.softmax_tree, l.output + index + 5);
}
}
} else if (l.softmax){
for (b = 0; b < l.batch; ++b){
for(i = 0; i < l.h*l.w*l.n; ++i){
int index = size*i + b*l.outputs;
softmax(l.output + index + 5, l.classes, 1, l.output + index + 5);
}
}
}
#endif
if(!state.train) return;
memset(l.delta, 0, l.outputs * l.batch * sizeof(float));
float avg_iou = 0;
float recall = 0;
float avg_cat = 0;
float avg_obj = 0;
float avg_anyobj = 0;
int count = 0;
int class_count = 0;
*(l.cost) = 0;
//这里是对批处理的所有图像进行前向求损失值。
for (b = 0; b < l.batch; ++b) {
//没有使用这个softmax分类器，即不会进入这部分代码。
if(l.softmax_tree){
int onlyclass = 0;
for(t = 0; t < 30; ++t){
box truth = float_to_box(state.truth + t*5 + b*l.truths);
if(!truth.x) break;
int class = state.truth[t*5 + b*l.truths + 4];
float maxp = 0;
int maxi = 0;
if(truth.x > 100000 && truth.y > 100000){
for(n = 0; n < l.n*l.w*l.h; ++n){
int index = size*n + b*l.outputs + 5;
float scale =  l.output[index-1];
float p = scale*get_hierarchy_probability(l.output + index, l.softmax_tree, class);
if(p > maxp){
maxp = p;
maxi = n;
}
}
int index = size*maxi + b*l.outputs + 5;
delta_region_class(l.output, l.delta, index, class, l.classes, l.softmax_tree, l.class_scale, &avg_cat);
++class_count;
onlyclass = 1;
break;
}
}
if(onlyclass) continue;
}
/*
这里的l.h,l.w分别是最后卷积输出的特征图分辨率。l.n是anchor box的个数，这个机制是借鉴Faster R-CNN
的回归方法。l.n这个参数跟配置文件的anchors、num有关,值就是num一样。其跟V1版的不同,V1版的是不管最后输出
的特征图分辨率多少都是把起分成7*7个cell,而V2的每个特征点就是一个cell,优点就是：能回归和识别更小的物体。
*/
for (j = 0; j < l.h; ++j) {
for (i = 0; i < l.w; ++i) {
//这个l.n是代表着特征点需要进行预测的不同尺寸的box个数，box宽高大小跟配置文件里的anchor系数有关。
for (n = 0; n < l.n; ++n) {
int index = size*(j*l.w*l.n + i*l.n + n) + b*l.outputs;
box pred = get_region_box(l.output, l.biases, n, index, i, j, l.w, l.h);
float best_iou = 0;
int best_class = -1;
//这里是假设每个特征点cell最多只能有30个物体坐落在相同位置。其实这里的阈值影响不大的，其主要跟truth.x有关。
for(t = 0; t <30; ++t){
// get truth_box's x, y, w, h
box truth = float_to_box(state.truth + t*5 + b*l.truths);
// 遍历完图片中的所有物体后退出
if (!truth.x)
break;
float iou = box_iou(pred, truth);
//选出iou最大那个框作为最后预测框～
if (iou > best_iou) {
best_class = state.truth[t*5 + b*l.truths + 4];
best_iou = iou;
}
}
//计算有没有目标的梯度
avg_anyobj += l.output[index + 4];
l.delta[index + 4] = l.noobject_scale * ((0 - l.output[index + 4]) * logistic_gradient(l.output[index + 4]));
if(l.classfix == -1) l.delta[index + 4] = l.noobject_scale * ((best_iou - l.output[index + 4]) * logistic_gradient(l.output[index + 4]));
else{
if (best_iou > l.thresh) {
l.delta[index + 4] = 0;
if(l.classfix > 0){
delta_region_class(l.output, l.delta, index + 5, best_class, l.classes, l.softmax_tree, l.class_scale*(l.classfix == 2 ? l.output[index + 4] : 1), &avg_cat);
++class_count;
}
}
}
//这里要训练的图片张数达到12800后能进入
if(*(state.net.seen) < 12800){
box truth = {0};
truth.x = (i + .5)/l.w;
truth.y = (j + .5)/l.h;
truth.w = l.biases[2*n];
truth.h = l.biases[2*n+1];
if(DOABS){
truth.w = l.biases[2*n]/l.w;
truth.h = l.biases[2*n+1]/l.h;
}
// 将预测的 tx, ty, tw, th 和 实际box计算得出的 tx',ty', tw', th' 的差存入 l.delta
delta_region_box(truth, l.output, l.biases, n, index, i, j, l.w, l.h, l.delta, .01);
}
}
}
}
//运行到这步，则所有特征图上的所有格子都被标注，即代表有没有物体在此区域。
for(t = 0; t < 30; ++t){
// get truth_box's x, y, w, h
box truth = float_to_box(state.truth + t*5 + b*l.truths);
if(!truth.x) break;
float best_iou = 0;
int best_index = 0;
int best_n = 0;
i = (truth.x * l.w);
j = (truth.y * l.h);
//printf("%d %f %d %f\n", i, truth.x*l.w, j, truth.y*l.h);
// 上面获得了 truth box 的 x,y,w,h，这里讲 truth box 的 x,y 偏移到 0,0，记
//为 truth_shift.x, truth_shift.y，这么做是为了方便计算 iou
box truth_shift = truth;
truth_shift.x = 0;
truth_shift.y = 0;
//printf("index %d %d\n",i, j);
//这里是计算具有真实物体的地方与anchor boxs的匹配值。
for(n = 0; n < l.n; ++n){
//获得box的index。其中size是每个box需要计算的参数，(j*l.w*l.n + i*l.n + n)计算的是第几个格子
//b*l.outputs计算的是第几张输入图片的特征图，这样算就是为了计算位置。
int index = size*(j*l.w*l.n + i*l.n + n) + b*l.outputs;
//获得box的预测，这里先是坐标位置x，y，w，h，而剩下的两个confidence放到后面，
box pred = get_region_box(l.output, l.biases, n, index, i, j, l.w, l.h);
//box的w，h是根据anchors生成的，其中l.biases就是配置文件里的那些anchors参数
if(l.bias_match){
pred.w = l.biases[2*n];
pred.h = l.biases[2*n+1];
if(DOABS){
pred.w = l.biases[2*n]/l.w;
pred.h = l.biases[2*n+1]/l.h;
}
}
//printf("pred: (%f, %f) %f x %f\n", pred.x, pred.y, pred.w, pred.h);
//这里也把box位置移到0,0;这么做是为了方便计算IOU。
pred.x = 0;
pred.y = 0;
float iou = box_iou(pred, truth_shift);
if (iou > best_iou){
best_index = index;
best_iou = iou;
best_n = n;
}
}
//printf("%d %f (%f, %f) %f x %f\n", best_n, best_iou, truth.x, truth.y, truth.w, truth.h);
// 计算 box 和 truth box 的 iou
float iou = delta_region_box(truth, l.output, l.biases, best_n, best_index, i, j, l.w, l.h, l.delta, l.coord_scale);
//如果大于阈值则召回率加1.
if(iou > .5) recall += 1;
avg_iou += iou;
//运行到这里，位置的回归基本完成，下面主要是进行目标分类的操作
//l.delta[best_index + 4] = iou - l.output[best_index + 4];
avg_obj += l.output[best_index + 4];
//这里logistic_gradient把具有目标的区域进行逻辑回归分类，计算其输出的类别分数。
l.delta[best_index + 4] = l.object_scale * (1 - l.output[best_index + 4]) * logistic_gradient(l.output[best_index + 4]);
if (l.rescore) {
// 用 iou 代替上面的 1(经调试，l.rescore = 1，因此能走到这里)
l.delta[best_index + 4] = l.object_scale * (iou - l.output[best_index + 4]) * logistic_gradient(l.output[best_index + 4]);
}

// 获得真实的 class
int class = state.truth[t*5 + b*l.truths + 4];
if (l.map) class = l.map[class];
// 把所有 class 的预测概率与真实 class 的 0/1 的差 * scale，然后存入 l.delta 里相应 class 序号的位置
delta_region_class(l.output, l.delta, best_index + 5, class, l.classes, l.softmax_tree, l.class_scale, &avg_cat);
++count;
++class_count;
}
}
//printf("\n");
#ifndef GPU
flatten(l.delta, l.w*l.h, size*l.n, l.batch, 0);
#endif
// 现在，l.delta 中的每一个位置都存放了 class、confidence、x, y, w, h 的差，于是通过 mag_array 遍历所有位置，计算每个位置的平方的和后开根
// 然后利用 pow 函数求平方
*(l.cost) = pow(mag_array(l.delta, l.outputs * l.batch), 2);
printf("Region Avg IOU: %f, Class: %f, Obj: %f, No Obj: %f, Avg Recall: %f,  count: %d\n", avg_iou/count, avg_cat/class_count, avg_obj/count, avg_anyobj/(l.w*l.h*l.n*l.batch), recall/count, count);
}

  注：上面的代码解释是个人参考网上资料后的一些见解，其中如有不对的地方，大家可以指出了，通过修改完善造福更多人。