YOLOV3解讀（2）

具體分析create_model

在create_model方法中，建立YOLO v3的網絡結構，其中參數：

• input_shape：輸入圖檔的尺寸，預設是(416,416)；
• anchors：預設的9種anchor box，shape是(9,2)；
• num_classes：類别數，建立網絡隻需要類别數即可，類别按0~n排列，輸入類别也是索引；
• load_pretrained：是否使用預訓練模型；
• freeze_body：當機模式，1或2，1是當機DarkNet53模型，2是隻保留最後3個1x1卷積層；
• weights_path：預訓練的權重路徑；

代碼如下

def create_model(input_shape, anchors, num_classes, load_pretrained=True, freeze_body=2,
                 weights_path='model_data/yolo_weights.h5'):
           

**yolo_weight.h5是由.weight轉換而來，轉換程式為convert.py檔案 **

邏輯

将參數進行處理：

• 拆分圖檔尺寸的寬h和高w；
• 建立圖檔的輸入格式image_input，顯式如(416, 416, 3)，隐式如(?, ?, 3)；
• 計算anchor的數量num_anchors；
• 根據anchor的數量，建立真值y_true的輸入格式；

代碼如下

h, w = input_shape  # 尺寸
image_input = Input(shape=(w, h, 3))  # 圖檔輸入格式
num_anchors = len(anchors)  # anchor數量

# YOLO的三種尺度，每個尺度的anchor數，類别數+邊框4個+置信度1
y_true = [Input(shape=(h // {0: 32, 1: 16, 2: 8}[l], w // {0: 32, 1: 16, 2: 8}[l],
                       num_anchors // 3, num_classes + 5)) for l in range(3)]
           

h，w都經過了相應尺寸的縮放，對應各自的三種anchor值，有幾個類别，就會設定多少個初始值為0的空間，最後隻有預測的那一位置1

其中，真值y_true，真值即Ground Truth：

“//”是Python文法中的整除符号，通過循環建立3個Input層，組成清單，作為y_true，假設class為1，格式如下：

Tensor("input_2:0", shape=(?, 13, 13, 3, 6), dtype=float32)
Tensor("input_3:0", shape=(?, 26, 26, 3, 6), dtype=float32)
Tensor("input_4:0", shape=(?, 52, 52, 3, 6), dtype=float32)
           

其中，第1位是樣本數，第2~3位是特征圖的尺寸13x13，第4位是每個圖的anchor數，第5位是：類别(n)+4個框值（x,y,w,h）+框的置信度（是否含有物體）。

通過圖檔輸入Input層image_input、每個尺度的anchor數num_anchors//3、類别數num_classes，建立YOLO v3的網絡結構，即：

model_body = yolo_body(image_input, num_anchors // 3, num_classes)
           

shape=（？，416，416，3，6）

接着，加載預訓練模型：

根據預訓練模型的位址weights_path，加載模型，按名稱對應by_name，略過不比對skip_mismatch；

選擇當機模式：

• 模式1的層數是185，也就是freeze整個darknet，模式2的層數是保留最後3層；其中，模型共有252層；
• 将選擇的層數，設定為可訓練，model_body.layers[i].trainable=True

代碼如下

if load_pretrained:  # 加載預訓練模型
    model_body.load_weights(weights_path, by_name=True, skip_mismatch=True)
    if freeze_body in [1, 2]:
        # Freeze darknet53 body or freeze all but 3 output layers.
        num = (185, len(model_body.layers) - 3)[freeze_body - 1]
        for i in range(num):
            model_body.layers[i].trainable = False  # 将其他層的訓練關閉
           

接着，設定模型損失層model_loss：

• Lambda是Keras的自定義層，輸入為(model_body.output + y_true)，輸出為output_shape=(1,)；
• 層的名字name為yolo_loss；

• 參數為anchors錨框、類别數num_classes，ignore_thresh是物體置信度損失（object confidence

  loss）的IoU（Intersection over Union，重疊度）門檻值；

• yolo_loss是核心的損失函數；
• model_loss是由模型輸出及搭建的y_true共同得到

model_body.output指代的是經過神經網絡後得到的模型輸出

代碼如下

model_loss = Lambda(yolo_loss,  output_shape=(1,), name='yolo_loss',
								arguments={'anchors': anchors,
                               'num_classes': num_classes,
                               'ignore_thresh': 0.5}
                    )(model_body.output ,* y_true)
           

接着，建立最終模型：

模型的輸入：model_body的輸入層，即image_input，和y_true；

模型的輸出：model_loss的輸出，一個值，output_shape=(1,)；

儲存模型的網絡圖plot_model，和列印網絡model.summary()；

代碼如下

model = Model(inputs=[model_body.input] + y_true, outputs=model_loss) # 模型
plot_model(model, to_file=os.path.join('model_data', 'model.png'), show_shapes=True, show_layer_names=True)  # 存儲網絡結構
model.summary()  # 列印網絡
           

其中，model_body.input是任意(?)個(416,416,3)的圖檔，即

Tensor("input_1:0", shape=(?, 416, 416, 3), dtype=float32)
           

y_true是已标注資料轉換的真值結構，即

[Tensor("input_2:0", shape=(?, 13, 13, 3, 6), dtype=float32),
  Tensor("input_3:0", shape=(?, 26, 26, 3, 6), dtype=float32),
  Tensor("input_4:0", shape=(?, 52, 52, 3, 6), dtype=float32)]
           

參考：

http://www.jintiankansha.me/t/D7hikktv8s