文章目录

前言

一、效果图

二、使用步骤

1.使用方法

2.注意事项

总结

参考

前言

最近写论文需要观察中间特征层的特征图，使用的是yolov5的代码仓库，但是苦于找不到很好的轮子，于是参考了很多，只找了这个，但是我觉得作者写的太复杂了（我之前就是这个作者的小粉丝)，在参考了github的yolov5作者给出的issue建议后，自己写了个轮子，没有复杂的步骤，借助torchvision中的transforms将tensor转化为PIL，再通过matplotlib保存特图。希望能给大家带来一些帮助。

一、效果图

先上一下效果图，因为深层的特征有高达1024个，这里我只打印了8*8的特征图，用plt.subplot将64张特征图展示在一张图片上。原图为我在百度上随便搜的猫咪：

这是yolov5x.pt进行detect过程中，经过可视化后的第一个C3模块的前64张特征图：

这里也可以设置为灰度图，后续代码中会给出。

可以看到不同特征图所提取到的特征几乎都不相同，有的侧重边缘，有的则是侧重整体，当然这只是第一个C3的特征图，相对于更深层的特征来说，浅层的特征大多是完整的，而更深层的特征则会更小，而且是提取到的细小特征，当然，这些特征图也都是相互联系的，网络结构是个整体。

借助yolov5作者在issue里说到的：

BTW, a single feature map may be in my opinion a shallow set of information, as you are looking at a 2d spatial slice but are not aptly observing relationships across the feature space (as the convolutions do).

I guess an analogy is that you would be viewing the R, G, B layers of a color image by themselves, when it helps to view them together to get the complete picture.

单个特征图可能是一组浅层信息，因为你正在查看 2d 空间切片，但并未恰当地观察特征空间中的关系（如卷积所做的那样）。

这里是我自己的理解，通过特征图的可视化，也进一步的理解了卷积到底干了些什么事情，如果有想进一步交流的小伙伴，私信一起讨论，一起学习呀。

二、使用步骤

1.使用方法

使用方法很简单，只需要在utils中的general.py或者plots.py添加如下函数：

import matplotlib.pyplot as plt
from torchvision import transformsdef feature_visualization(features, model_type, model_id, feature_num=64):"""features: The feature map which you need to visualizationmodel_type: The type of feature mapmodel_id: The id of feature mapfeature_num: The amount of visualization you need"""save_dir = "features/"if not os.path.exists(save_dir):os.makedirs(save_dir)# print(features.shape)# block by channel dimensionblocks = torch.chunk(features, features.shape[1], dim=1)# # size of feature# size = features.shape[2], features.shape[3]plt.figure()for i in range(feature_num):torch.squeeze(blocks[i])feature = transforms.ToPILImage()(blocks[i].squeeze())# print(feature)ax = plt.subplot(int(math.sqrt(feature_num)), int(math.sqrt(feature_num)), i+1)ax.set_xticks([])ax.set_yticks([])plt.imshow(feature)# gray feature# plt.imshow(feature, cmap='gray')# plt.show()plt.savefig(save_dir + '{}_{}_feature_map_{}.png'.format(model_type.split('.')[2], model_id, feature_num), dpi=300)

接着在models中的yolo.py中的这个地方：

def forward_once(self, x, profile=False):y, dt = [], []  # outputsfor m in self.model:if m.f != -1:  # if not from previous layerx = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f]  # from earlier layersif profile:o = thop.profile(m, inputs=(x,), verbose=False)[0] / 1E9 * 2 if thop else 0  # FLOPSt = time_synchronized()for _ in range(10):_ = m(x)dt.append((time_synchronized() - t) * 100)print('%10.1f%10.0f%10.1fms %-40s' % (o, m.np, dt[-1], m.type))x = m(x)  # runy.append(x if m.i in self.save else None)  # save output# add in hereif profile:print('%.1fms total' % sum(dt))return x

添加如下代码：

            feature_vis = Trueif m.type == 'models.common.C3' and feature_vis:print(m.type, m.i)feature_visualization(x, m.type, m.i)

添加在yolo.py后，无论是在detect.py还是在train.py中都会进行可视化特征图。

然而训练的过程中并不一定需要一直可视化特征图，feature_vis参数是用来控制是否保存可视化特征图的，保存的特征图会存在features文件夹中。如果想看其它层的特征只需要修改m.type或是用m.i来进行判断是否可视化特征图。m.type对应的是yaml文件中的module，即yolov5的基础模块，例如c3，conv，spp等等，而m.i则更好理解，即是模块的id，通常就是顺序，如果你尝试修改过配置文件，那么你肯定知道是什么。

如果不明白，多使用print函数，用list.len()和tensor.size去查看列表长度和张量维度，打印出来你就知道了。

这里有一个点我很迷惑，不知道有没有大佬可以告诉我原因，就是我并没有找到yolo.py和detect.py之间的关联，detect.py中使用的是：

model = attempt_load(weights, map_location=device)

而并没有使用yolo.py中的Model函数，但是运行detect.py同样可以可视化特征图，不是很懂pytorch代码中的这个机制，希望有大佬可以指教一下，代码还是有些菜。

2.注意事项

注意1：在yolo.py的开头import feature_visualization：

from utils.general import feature_visualization

注意2：yolov5无论是在detect还是在train的过程中，都会先对模型进行Summary，即验证你的模型的层数，参数以及是否有梯度，这个过程也会保存特征图，但是不要担心，因为你保存的特征图名字是相同的，会被覆盖，如果你打印的出来log就会看到整个模型跑了两次：

Model Summary: 476 layers, 87730285 parameters, 0 gradients

注意3：建议训练完成的网络使用detect.py来进行验证特征图。

当然在yolo.py里面也可以将'__main__'中的：

model = Model(opt.cfg).to(device)

替换为：

model = attempt_load(opt.weights, map_location=device)

同样可以跑通（把detect.py中的opt.weights复制过来）。在yolo.py中打开Profile，将随机生成的图片换成自己的图片，就可以正常的进行验证。

总结

周末摸鱼时间写了这个（也不算摸鱼，下周该写论文初稿了orz），希望给大家带来帮助，如果有疑问或者错误，在评论区或者私信联系我，之后我会把这个提交一个pr到yolov5的官方仓库里（之前提交了一个visdrone.yaml的配置文件，幸被采用了，参考的就是这个作者的代码，感谢！），就到这里，最后上一个spp结构的特征图输出，希望和大家一起讨论。

以上。

参考

pytorch特征图可视化

pytorch 提取卷积神经网络的特征图可视化

深度学习笔记~卷积网络中特征图的可视化

自用代码 | YOLOv5 特征图可视化代码

将tensor张量转换成图片格式并保存

Pytorch中Tensor与各种图像格式的相互转化

yolov5特征图可视化相关推荐

收藏 | PyTorch模型训练特征图可视化（TensorboardX）
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达仅作学术分享,不代表本公众号立场,侵权联系删除转载于:作者丨Pa ...
caffe之特征图可视化及特征提取
上一篇博客,介绍了怎么对训练好的model的各层权重可视化,这篇博客,我们介绍测试图片输入网络后产生的特征图的可视化记得上篇中,我们是写了一个新的文件test.cpp,然后编译运行那个文件的,这是因 ...
CNN神经网络猫狗分类经典案例，深度学习过程中间层激活特征图可视化
AI:CNN神经网络猫狗分类经典案例,深度学习过程中间层激活特征图可视化基于前文 https://zhangphil.blog.csdn.net/article/details/103581736 ...
CNN可视化技术总结（一）--特征图可视化
导言: 在CV很多方向所谓改进模型,改进网络,都是在按照人的主观思想在改进,常常在说CNN的本质是提取特征,但并不知道它提取了什么特征,哪些区域对于识别真正起作用,也不知道网络是根据什么得出了分类结果 ...
caffe for windows的matlab接口（四）：权重和特征图可视化的一个例子
模型读取参照三,想实现一个自己图像的可视化过程: 首先我发现自己训练出的model没有deploy文件.查阅了下:"如果要把训练好的模型拿来测试新的图片,那必须得要一个deploy.pro ...
卷积神经网络特征图可视化热图可视化
文章目录前言一.可视化特征图二.热力图可视化(图像分类) 总结前言使用pytorch中的钩子将特征图和梯度勾出来,从而达到可视化特征图(featuremap)和可视化热图(heatmap)的 ...
卷积神经网络特征图可视化及其意义
文章目录特征图可视化方法 1. tensor->numpy->plt.save 2. register_forward_pre_hook函数实现特征图获取 3. 反卷积可视化特征图可视 ...
深度学习网络和特征图可视化的工具介绍
1.深度学习网络结构画图工具: 网络结构画图工具https://cbovar.github.io/ConvNetDraw/ 输入:层信息输出:网络结构图网络结构图实例 2.caffe可视化工具输 ...
【总结】Keras+VGG16特征图可视化，帮助你深入理解VGG16
Keras+VGG16特征图可视化一.VGG16结构理解 1. 可视化结构图 2. VGGNet各级别网络结构图 3. VGG16网络结构图二.Keras实现VGG16 代码实现三.VGG16特 ...

yolov5特征图可视化

文章目录

前言

一、效果图

二、使用步骤

1.使用方法

2.注意事项

总结

参考

yolov5特征图可视化相关推荐

最新文章

热门文章