Faster RCNN layer.py

def setup(self, bottom, top)方法： 该方法主要是在创建RoIDataLayer的时候调用，初始化self._name_to_top_map（从blobname 到 blobid的一个映射）。结合_caffe.cpp里面.def("setup", &Layer<Dtype>::LayerSetUp)，个人认为，setup(self, bottom, top)应该还是调用底层的Layer::LayerSetUp方法，同时bottom, top也分别对应着：const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top。
回顾底层的src/Net.cpp文件中，caffe将在Creating Layer，AppendTob 和 AppendBottom完成之后，再调用Layer::SetUp方法来 setting up layer…

def setup(self, bottom, top):"""Setup the RoIDataLayer."""# print '~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~Creating layer input-data'# parse the layer parameter string, which must be valid YAMLlayer_params = yaml.load(self.param_str_)# 解析prototxt文件中Python Layer的python_param参数self._num_classes = layer_params['num_classes']self._name_to_top_map = {}# print '~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ _name_to_top_map'# data blob: holds a batch of N images, each with 3 channelsidx = 0# 设定top[0]即‘data’的shape，这样，即使每次迭代的minibatch中图片的shape不同，也能保证在前向传播的# 时候不发生错误，训练日志中输出的Top shape信息也是在这里设置的。但是每次具体的foward的时候都需要重新reshape top blobs。top[idx].reshape(cfg.TRAIN.IMS_PER_BATCH, 3,max(cfg.TRAIN.SCALES), cfg.TRAIN.MAX_SIZE)self._name_to_top_map['data'] = idxidx += 1# 在训练RPN的时候，cfg.TRAIN.HAS_RPN为trueif cfg.TRAIN.HAS_RPN:top[idx].reshape(1, 3)self._name_to_top_map['im_info'] = idxidx += 1top[idx].reshape(1, 4)self._name_to_top_map['gt_boxes'] = idxidx += 1else: # not using RPN# rois blob: holds R regions of interest, each is a 5-tuple# (n, x1, y1, x2, y2) specifying an image batch index n and a# rectangle (x1, y1, x2, y2)top[idx].reshape(1, 5)self._name_to_top_map['rois'] = idxidx += 1# labels blob: R categorical labels in [0, ..., K] for K foreground# classes plus backgroundtop[idx].reshape(1)self._name_to_top_map['labels'] = idxidx += 1# 例如，在训练fast rcnn的时候，cfg.TRAIN.BBOX_REGif cfg.TRAIN.BBOX_REG:# bbox_targets blob: R bounding-box regression targets with 4# targets per classtop[idx].reshape(1, self._num_classes * 4)self._name_to_top_map['bbox_targets'] = idxidx += 1# bbox_inside_weights blob: At most 4 targets per roi are active;# thisbinary vector sepcifies the subset of active targets# bbox_inside_weights blob 和 bbox_outside_weights blob 是用在SmoothL1Loss layer#中top[idx].reshape(1, self._num_classes * 4)self._name_to_top_map['bbox_inside_weights'] = idxidx += 1top[idx].reshape(1, self._num_classes * 4)self._name_to_top_map['bbox_outside_weights'] = idxidx += 1print 'RoiDataLayer: name_to_top:', self._name_to_top_mapassert len(top) == len(self._name_to_top_map)

def _shuffle_roidb_inds(self): 打乱training roidb的顺序

def _shuffle_roidb_inds(self):"""Randomly permute the training roidb."""if cfg.TRAIN.ASPECT_GROUPING:# 将roidb中长宽比近似的图像放在一起（其实也就2种情况，扁的还是竖的），有利于计算速度（具体的，还不清除）widths = np.array([r['width'] for r in self._roidb])heights = np.array([r['height'] for r in self._roidb])horz = (widths >= heights)vert = np.logical_not(horz)horz_inds = np.where(horz)[0]vert_inds = np.where(vert)[0]inds = np.hstack((np.random.permutation(horz_inds),np.random.permutation(vert_inds)))inds = np.reshape(inds, (-1, 2))# permutation随机打乱,而且返回的元素没有重复（np.random.choice()中replace=False）, 类似功能的函数还有np.random.choice（）row_perm = np.random.permutation(np.arange(inds.shape[0]))inds = np.reshape(inds[row_perm, :], (-1,))self._perm = indselse:self._perm = np.random.permutation(np.arange(len(self._roidb)))#当前处理的图像的索引self._cur = 0

def _get_next_minibatch_inds(self) 在这个方法中，为什么要考虑“self._cur + cfg.TRAIN.IMS_PER_BATCH >= len(self._roidb)” 这是因为训练的时候要迭代好几遍整个训练集

def _get_next_minibatch_inds(self):"""Return the roidb indices for the next minibatch."""if self._cur + cfg.TRAIN.IMS_PER_BATCH >= len(self._roidb):self._shuffle_roidb_inds()db_inds = self._perm[self._cur:self._cur + cfg.TRAIN.IMS_PER_BATCH]self._cur += cfg.TRAIN.IMS_PER_BATCHreturn db_inds

def _get_next_minibatch(self)

def _get_next_minibatch(self):"""Return the blobs to be used for the next minibatch.If cfg.TRAIN.USE_PREFETCH is True, then blobs will be computed in aseparate process and made available through self._blob_queue."""if cfg.TRAIN.USE_PREFETCH:return self._blob_queue.get()else:db_inds = self._get_next_minibatch_inds()minibatch_db = [self._roidb[i] for i in db_inds]# 调用minibatch.py中的get_minibatch方法return get_minibatch(minibatch_db, self._num_classes)

def forward(self, bottom, top): 前向传播，这个层的前向传播只需要进行拷贝就可以了，在不同的阶段下，根据各自的prototxt文件定义的网络结构来拷贝数据；
+ 有一点需要记住的是：在模板类Layer的forward函数里面，会再次调用调用Reshape()函数，也就是说，即使我们每次迭代每个minibatch里的图像（或者特征）的shape不一致，也没有关系，因为在真正调用forward_cpu / forward_gpu 之前都会重新Reshape；SetUp里面的Reshape只是设置了初始的Top blobs 的shape

def forward(self, bottom, top):"""Get blobs and copy them into this layer's top blob vector."""blobs = self._get_next_minibatch()# 1. 对于stage1_rpn_train.pt文件中，该layer只有3个top blob：'data'、'im_info'、'gt_boxes'# 2. 对于stage1_fast_rcnn_train.pt文件中，该layer有6个top blob：top: 'data'、 #'rois'、'labels'、'bbox_targets'、'bbox_inside_weights'、'bbox_outside_weights'for blob_name, blob in blobs.iteritems():top_ind = self._name_to_top_map[blob_name]# Reshape net's input blobs  调用Caffe.Blob的reshape方法# 每次迭代forwad的时候都需要reshape，是因为每次迭代都需要去取minibatch，即# _get_next_minibatch， 在train fast-rcnn的时候，每个minibatch所包含的图像的data，rois， # labels， bbox_targets等的具体的shape都会有所改变，所以每次迭代都需要reshape top blobstop[top_ind].reshape(*(blob.shape))# Copy data into net's input blobstop[top_ind].data[...] = blob.astype(np.float32, copy=False)

def backward(self, top, propagate_down, bottom):

def backward(self, top, propagate_down, bottom):"""This layer does not propagate gradients."""pass

def reshape(self, bottom, top):

def reshape(self, bottom, top):"""Reshaping happens during the call to forward."""pass

def set_roidb(self, roidb)： 主要工作：1. RoIDataLayer设置roidb，2. 打乱shuffle

def set_roidb(self, roidb):"""Set the roidb to be used by this layer during training."""# self._roidb = roidb，self表示RoIDataLayer的实例对象，而非类 pascal_voc 或者 imdb的实例对象；# 赋值符号右侧的roidb是我们在创建imdb 或者pascal_voc实例对象时设置的，并且在新建SolverWrapper实例# 之后在其__init__方法中调用self.solver.net.layers[0].set_roidb(roidb) 传参而来。self._roidb = roidbself._shuffle_roidb_inds()if cfg.TRAIN.USE_PREFETCH:self._blob_queue = Queue(10)self._prefetch_process = BlobFetcher(self._blob_queue,self._roidb,self._num_classes)self._prefetch_process.start()# Terminate the child process when the parent existsdef cleanup():print 'Terminating BlobFetcher'self._prefetch_process.terminate()self._prefetch_process.join()import atexitatexit.register(cleanup)

Faster RCNN layer.py相关推荐

Faster RCNN minibatch.py解读
minibatch.py 的功能是: Compute minibatch blobs for training a Fast R-CNN network. 与roidb不同的是, minibatch中 ...
faster rcnn学习之rpn训练全过程
上篇我们讲解了rpn与fast rcnn的数据准备阶段,接下来我们讲解rpn的整个训练过程.最后讲解rpn训练完毕后rpn的生成. 我们顺着stage1_rpn_train.pt的内容讲解. nam ...
faster rcnn学习之rpn、fast rcnn数据准备说明
在上文< faster-rcnn系列学习之准备数据>,我们已经介绍了imdb与roidb的一些情况,下面我们准备再继续说一下rpn阶段和fast rcnn阶段的数据准备整个处理流程. 由于 ...
faster rcnn源码解读（五）之layer（网络里的input-data）
转载自:faster rcnn源码解读(五)之layer(网络里的input-data) - 野孩子的专栏 - 博客频道 - CSDN.NET http://blog.csdn.net/u010668 ...
faster rcnn可视化（修改demo.py保存网络中间结果）
转载自:http://blog.csdn.net/u010668907/article/details/51439503 faster rcnn用Python版本https://github.com/ ...
faster rcnn源码解读（四）之数据类型imdb.py和pascal_voc.py（主要是imdb和roidb数据类型的解说）
转载自:faster rcnn源码解读(四)之数据类型imdb.py和pascal_voc.py(主要是imdb和roidb数据类型的解说) - 野孩子的专栏 - 博客频道 - CSDN.NET ht ...
faster rcnn源码解读（三）train_faster_rcnn_alt_opt.py
转载自:faster rcnn源码解读(三)train_faster_rcnn_alt_opt.py - 野孩子的专栏 - 博客频道 - CSDN.NET http://blog.csdn.net/u ...
完整代码+实操！手把手教你操作Faster R-CNN和Mask R-CNN
点击上方↑↑↑蓝字关注我们~ 「2019 Python开发者日」全日程揭晓,请扫码咨询 ↑↑↑ 机器视觉领域的核心问题之一就是目标检测(Object Detection),它的任务是找出图像当中所有感 ...
faster rcnn接口_Faster R-CNN教程
Faster R-CNN教程最后更新日期:2016年4月29日本教程主要基于python版本的faster R-CNN,因为python layer的使用,这个版本会比matlab的版本速度慢10 ...

Faster RCNN layer.py

Faster RCNN layer.py相关推荐

最新文章

热门文章