1.YOLOv5 特征图可视化

可视化代码：

def feature_visualization(x, module_type, stage, n=2, save_dir=Path('runs/detect/exp')):"""x:              Features to be visualizedmodule_type:    Module typestage:          Module stage within modeln:              Maximum number of feature maps to plotsave_dir:       Directory to save results"""if 'Detect' not in module_type:batch, channels, height, width = x.shape  # batch, channels, height, widthif height > 1 and width > 1:f = save_dir / f"stage{stage}_{module_type.split('.')[-1]}_features.png"  # filenameblocks = torch.chunk(x[0].cpu(), channels, dim=0)  # select batch index 0, block by channelsn = min(n, channels)  # number of plotsfig, ax = plt.subplots(math.ceil(n / 2), 2, tight_layout=True)  # 8 rows x n/8 colsax = ax.ravel()plt.subplots_adjust(wspace=0.05, hspace=0.05)for i in range(n):ax[i].imshow(blocks[i].squeeze())  # cmap='gray'ax[i].axis('off')LOGGER.info(f'Saving {f}... ({n}/{channels})')plt.savefig(f, dpi=300, bbox_inches='tight')plt.close()np.save(str(f.with_suffix('.npy')), x[0].cpu().numpy())  # npy save

使用：

feature_visualization(features, name, stage_id, save_dir=ROOT / "visual")

结果示例：

2.优化的特征图可视化

可视化代码：

def feature_visualization(x, module_type, stage, n=2, save_dir=Path('runs/detect/exp')):"""x:              Features to be visualizedmodule_type:    Module typestage:          Module stage within modeln:              Maximum number of feature maps to plotsave_dir:       Directory to save results"""if 'Detect' not in module_type:batch, channels, height, width = x.shape  # batch, channels, height, widthif height > 1 and width > 1:f = save_dir / f"stage{stage}_{module_type.split('.')[-1]}_features.png"  # filenameblocks = torch.chunk(x[0].cpu(), channels, dim=0)  # select batch index 0, block by channelsn = min(n, channels)  # number of plotsfig, ax = plt.subplots(math.ceil(n / 2), 2, tight_layout=True)  # 8 rows x n/8 colsax = ax.ravel()plt.subplots_adjust(wspace=0.05, hspace=0.05)for i in range(n):block = blocks[i].squeeze().detach().numpy()block = (block - np.min(block)) / (np.max(block) - np.min(block))temp = np.array(block * 255.0, dtype=np.uint8)temp = cv2.applyColorMap(temp, cv2.COLORMAP_JET)ax[i].imshow(temp, cmap=plt.cm.jet)  # cmap='gray'ax[i].axis('off')LOGGER.info(f'Saving {f}... ({n}/{channels})')plt.savefig(f, dpi=300, bbox_inches='tight')plt.close()np.save(str(f.with_suffix('.npy')), x[0].cpu().numpy())  # npy save

使用：

feature_visualization(features, name, stage_id, save_dir=ROOT / "visual")

结果示例：

优化的可视化代码可视化结果更加清晰

参考：GitHub - z1069614715/objectdetection_script: 一些关于目标检测的脚本的改进思路代码，详细请看readme.md

3.注意力图可视化(YOLO)

可视化代码：

def show_CAM(save_img_path, image, feature_maps, class_id, all_ids=97, image_size=(640, 640), normalization=True):"""save_img_path: save heatmap images pathfeature_maps: this is a list [tensor,tensor,tensor], tensor shape is [1, 3, N, N, all_ids]normalization: Normalize score and class to 0 to 1image_size: w, h"""SHOW_NAME = ["score", "class", "class*score"]img_ori = imagelayers0 = feature_maps[0].reshape([-1, all_ids])layers1 = feature_maps[1].reshape([-1, all_ids])layers2 = feature_maps[2].reshape([-1, all_ids])layers = torch.cat([layers0, layers1, layers2], 0)if normalization:score_max_v = 1.score_min_v = 0.class_max_v = 1.class_min_v = 0.else:score_max_v = layers[:, 4].max()  # compute max of score from all anchorscore_min_v = layers[:, 4].min()  # compute min of score from all anchorclass_max_v = layers[:, 5 + class_id].max()  # compute max of class from all anchorclass_min_v = layers[:, 5 + class_id].min()  # compute min of class from all anchorfor j in range(3):  # layerslayer_one = feature_maps[j]# compute max of score from three anchor of the layerif normalization:anchors_score_max = layer_one[0, :, :, :, 4].max(0)[0].sigmoid()# compute max of class from three anchor of the layeranchors_class_max = layer_one[0, :, :, :, 5 + class_id].max(0)[0].sigmoid()else:anchors_score_max = layer_one[0, :, :, :, 4].max(0)[0]# compute max of class from three anchor of the layeranchors_class_max = layer_one[0, :, :, :, 5 + class_id].max(0)[0]scores = ((anchors_score_max - score_min_v) / (score_max_v - score_min_v))classes = ((anchors_class_max - class_min_v) / (class_max_v - class_min_v))layer_one_list = []layer_one_list.append(scores)layer_one_list.append(classes)layer_one_list.append(scores * classes)for idx, one in enumerate(layer_one_list):layer_one = one.cpu().numpy()if normalization:ret = ((layer_one - layer_one.min()) / (layer_one.max() - layer_one.min())) * 255else:ret = ((layer_one - 0.) / (1. - 0.)) * 255ret = ret.astype(np.uint8)gray = ret[:, :, None]ret = cv2.applyColorMap(gray, cv2.COLORMAP_JET)ret = cv2.resize(ret, image_size)img_ori = cv2.resize(img_ori, image_size)show = ret * 0.50 + img_ori * 0.50show = show.astype(np.uint8)cv2.imwrite(os.path.join(save_img_path, f"{j}_{SHOW_NAME[idx]}.jpg"), show)

使用:

show_CAM(ROOT/"visual",cv2.imread(path),ret[1],0,  # 指的是你想查看的类别 这个代码中我们看的是bear 所有在coco数据集中是2180+ 5,  # 80+5指的是coco数据集的80个类别+ x y w h score 5个数值image_size=(640, 640),  # 模型输入尺寸# 如果为True将置信度和class归一化到0~1，方便按置信度进行区分热力图，# 如果为False会按本身数据分布归一化，这样方便查看相对置信度。normalization=True)

结果示例：

参考：GitHub - z1069614715/objectdetection_script: 一些关于目标检测的脚本的改进思路代码，详细请看readme.md

计算机视觉特征图可视化与注意力图可视化（持续更新）相关推荐

【全年汇总】2023年CCF计算机图形学与多媒体会议截稿时间汇总（持续更新）
本博文是根据2022年CCF会议推荐的计算机图形学与多媒体领域相关会议目录撰写,更多信息详见公众号CS Conference内容.(完整PDF大家搜集好了,公众号后台回复"CCF" ...
【GIS数据网盘免费分享】含77个城市建筑轮廓矢量图、POI数据,OSM数据~持续更新，长期有效
本文数据均是GIS相关的数据.文档.课程等戳下方链接进Q群,即可群文件下载,长期有效,持续更新 GISer开发学习交流+资料共享www.wjx.cn/vj/h4QOnjk.aspx正在上传-重新上 ...
图新地球（LSV）常见问题汇总（图源、全景、倾斜摄影、点云应用、图新地球模糊等等）------持续更新
0序: 不同业务模式下使用图新地球的逻辑完全不一样,这里对于遇到的问题以及解决方案进行汇总,仅供参考. 00高频,如何下载数据,下载的数据有黑块 00.1原理说明: 所谓地图数据下载,就是把应做成切片 ...
雷达距离-方位(RA)图目标检测一些笔记（持续更新）
目录距离方位角大致测量过程射频数据的特性(对于目标检测而言) 一些要素最近在看RODNet,顺便记录一下上面提到的有关雷达的玩意儿. 距离方位角大致测量过程 Chirp信号 -> 目标 - ...
halcon Bit图位像素处理算子，持续更新
目录 bit_and bit_lshift bit_mask bit_not bit_or bit_rshift bit_slice bit_xor bit_and 功能:输入图像的所有像素的逐位与. ...
两万文字多图详解常用软件工具使用(持续更新)
文章目录 1. 写在前面的话 2. 实用工具 2.1 Chrome 2.1.1 屏蔽百度的个性推荐页 2.1.2 Chrome双开 2.1.3 视频加速 2.1.4 设置代理模式 2.1.5 将UA设 ...
Python使用matplotlib可视化多个不同颜色的折线图、通过FontProperties为可视化图像配置中文字体可视化、并指定字体大小
Python使用matplotlib可视化多个不同颜色的折线图.通过FontProperties为可视化图像配置中文字体可视化.并指定字体大小目录
R语言使用DALEX包的model_performance函数对caret包生成的多个算法模型进行残差分布分析并使用箱图进行残差分布的可视化
R语言使用DALEX包的model_performance函数对caret包生成的多个算法模型进行残差分布分析并使用箱图进行残差分布的可视化目录
R语言plotly可视化：plotly可视化箱图、基于预先计算好的分位数、均值、中位数等统计指标可视化箱图、箱图中添加缺口、可视化均值和标准差（With Precomputed Quartiles)
R语言plotly可视化:plotly可视化箱图.基于预先计算好的分位数.均值.中位数等统计指标可视化箱图.箱图中添加缺口.可视化均值和标准差(Box Plot With Precomputed Qu ...

计算机视觉特征图可视化与注意力图可视化（持续更新）

1.YOLOv5 特征图可视化

2.优化的特征图可视化

3.注意力图可视化(YOLO)

计算机视觉特征图可视化与注意力图可视化（持续更新）相关推荐

最新文章

热门文章