位置: IT常识 - 正文

Pytorch机器学习(八)—— YOLOV5中NMS非极大值抑制与DIOU-NMS等改进(pytorch如何学)

编辑:rootadmin
Pytorch机器学习(八)—— YOLOV5中NMS非极大值抑制与DIOU-NMS等改进 Pytorch机器学习(八)—— YOLOV5中NMS非极大值抑制与DIOU-NMS等改进

目录

Pytorch机器学习(八)—— YOLOV5中NMS非极大值抑制与DIOU-NMS等改进

前言

一、NMS非极大值抑制算法

二、Hard-NMS非极大值代码

三、DIOU-NMS

 四、soft-NMS

前言

推荐整理分享Pytorch机器学习(八)—— YOLOV5中NMS非极大值抑制与DIOU-NMS等改进(pytorch如何学),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:pytorch如何学,pytorch learning rate,pytorch如何学,pytorch metric learning,pytorch learning rate,pytorch learning rate,pytorch metric learning,pytorch metric learning,内容如对您有帮助,希望把文章链接给更多的朋友!

在目标检测的预测阶段时,会输出许多候选的anchor box,其中有很多是明显重叠的预测边界框都围绕着同一个目标,这时候我就可以使用NMS来合并同一目标的类似边界框,或者说是保留这些边界框中最好的一个。

如果对IOU等知识不了解的可以看我上篇博客Pytorch机器学习(五)——目标检测中的损失函数(l2,IOU,GIOU,DIOU, CIOU)

一、NMS非极大值抑制算法

我们先看一下NMS的直观理解,左图为两个ground truth的bbox,右图为我自己模拟网络输出的预测框。

 而下图则是我使用Pytorch官方提供的NMS实现的非极大值抑制,可以看到经过NMS后预测框保留了效果最好的,去除了冗余的预测框。

 

 下面来讲讲NMS算法的流程,其实也是十分简单的

        一.从所有候选框中选取置信度最高的预测边界框B1作为基准,然后将所有与B1的IOU超过预定阈值的其他边界框移除。

(这时所有边界框中B1为置信度最高的边界框且没有和其太过相似的边界框——非极大值置信度的边界框被抑制了)

        二.从所有候选框中选取置信度第二高的边界框B2作为一个基准,将所有与B2的IOU超过预定阈值的其他边界框移除。

        三.重复上述操作,直到所有预测框都被当做基准——这时候没有一对边界框过于相似

二、Hard-NMS非极大值代码Pytorch机器学习(八)—— YOLOV5中NMS非极大值抑制与DIOU-NMS等改进(pytorch如何学)

在YOLOV5的源码当中,作者是直接调用了Pytorch官方的NMS的API

在general.py中的non_max_suppression函数中

"""其中boxes为Nx4的tensor,N为框的数量,4则为x1 y1 x2 y2socres为N维的tensor,表示每个框的置信度iou_thres则为上面算法中的IOU阈值返回值为一个去除了过于相似框后的,根据置信度降序排列的列表,我们就可以根据此列表输出预测框"""i = torchvision.ops.nms(boxes, scores, iou_thres) # NMS

为了便于后续其他NMS的改进,这里我们也自己写一个NMS算法,这里借鉴了沐神的代码b站链接,大家可以直接在YOLOV5中把上面的torchvision.ops.nms更改为下面的NMS函数

def NMS(boxes, scores, iou_thres, GIoU=False, DIoU=False, CIoU=False): """ :param boxes: (Tensor[N, 4])): are expected to be in ``(x1, y1, x2, y2) :param scores: (Tensor[N]): scores for each one of the boxes :param iou_thres: discards all overlapping boxes with IoU > iou_threshold :return:keep (Tensor): int64 tensor with the indices of the elements that have been kept by NMS, sorted in decreasing order of scores """ # 按conf从大到小排序 B = torch.argsort(scores, dim=-1, descending=True) keep = [] while B.numel() > 0: # 取出置信度最高的 index = B[0] keep.append(index) if B.numel() == 1: break # 计算iou,根据需求可选择GIOU,DIOU,CIOU iou = bbox_iou(boxes[index, :], boxes[B[1:], :], GIoU=GIoU, DIoU=DIoU, CIoU=CIoU) # 找到符合阈值的下标 inds = torch.nonzero(iou <= iou_thres).reshape(-1) B = B[inds + 1] return torch.tensor(keep)

这里的计算IOU的函数——bbox_iou则是直接引用了YOLOV5中的代码,其简洁的集成了对与GIOU,DIOU,CIOU的计算。

def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-9): # Returns the IoU of box1 to box2. box1 is 4, box2 is nx4 box2 = box2.T # Get the coordinates of bounding boxes if x1y1x2y2: # x1, y1, x2, y2 = box1 b1_x1, b1_y1, b1_x2, b1_y2 = box1[0], box1[1], box1[2], box1[3] b2_x1, b2_y1, b2_x2, b2_y2 = box2[0], box2[1], box2[2], box2[3] else: # transform from xywh to xyxy b1_x1, b1_x2 = box1[0] - box1[2] / 2, box1[0] + box1[2] / 2 b1_y1, b1_y2 = box1[1] - box1[3] / 2, box1[1] + box1[3] / 2 b2_x1, b2_x2 = box2[0] - box2[2] / 2, box2[0] + box2[2] / 2 b2_y1, b2_y2 = box2[1] - box2[3] / 2, box2[1] + box2[3] / 2 # Intersection area inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \ (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0) # Union Area w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1 + eps w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1 + eps union = w1 * h1 + w2 * h2 - inter + eps iou = inter / union if GIoU or DIoU or CIoU: cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1) # convex (smallest enclosing box) width ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1) # convex height if CIoU or DIoU: # Distance or Complete IoU https://arxiv.org/abs/1911.08287v1 c2 = cw ** 2 + ch ** 2 + eps # convex diagonal squared rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 + (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4 # center distance squared if DIoU: return iou - rho2 / c2 # DIoU elif CIoU: # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47 v = (4 / math.pi ** 2) * torch.pow(torch.atan(w2 / h2) - torch.atan(w1 / h1), 2) with torch.no_grad(): alpha = v / ((1 + eps) - iou + v) return iou - (rho2 / c2 + v * alpha) # CIoU else: # GIoU https://arxiv.org/pdf/1902.09630.pdf c_area = cw * ch + eps # convex area return iou - (c_area - union) / c_area # GIoU else: return iou # IoU三、DIOU-NMS

其实DIOU-NMS就是把我上面说的NMS算法中的IOU阈值改为DIOU,将NMS代码中的DIOU设置为True即可。

根据DIOU的论文,如果只是单纯的使用NMS,即是使用IOU作为阈值去筛掉其他预测框时,当两个物体过于接近时,很有可能另外一个物体的预测框就被滤除了。

就像下图中的摩托。使用DIOU-NMS可以一定程度上提升对于靠近的物体的检测。

 四、soft-NMS

网上还有一种soft-NMS的算法,其思想就是传统的NMS,如果只通过IOU值就将其他的框直接去掉,有可能会不妥,于是就引入了soft-NMS。

具体流程就是我们把NMS算法中去除其他边界框改成,修改其他边界框的置信度。

以下引一个博主的图

 其中的f()函数,现在都是使用的高斯函数

si即为置信度,M为当前最大置信度的边界框,bi为其他边界框

网上对此的效果看法也是褒贬不一,我自己也没有试过,但从直觉来说,我个人觉得效果不会有很大的提升,如果感兴趣的可以自己试一试。

本文链接地址:https://www.jiuchutong.com/zhishi/293071.html 转载请保留说明!

上一篇:浏览器:跨域及解决方法(前端解决浏览器跨域问题)

下一篇:网站百度统计被恶意刷广告的处理方法(百度统计网址)

  • 计提城建税怎么算
  • 增值税的计税依据包括
  • 工厂道路设计图
  • 居民和企业
  • 企业销售折扣折让会计分录
  • 核定征收变更查账征收利润怎么办
  • 购买厨房用品属于什么费用
  • 其他债权投资发生减值的账务处理
  • 汇算清缴所得税补缴怎么处理
  • 银行贷款受托支付后,钱怎么转回来
  • 财政票据可以抵税吗
  • 当月进项发票忘了怎么办
  • 无形资产研究费用计入成本么
  • 发票代表收据吗
  • 价内税与价外税的计算公式
  • 上海个人住房房产税
  • 公司从事房地产有什么好名字
  • 公司经营情况说明怎么写模板
  • 电子发票怎么作废操作流程视频
  • 产品调试费计入什么科目
  • 公司哪些发票可以做成本或者费用
  • win10开机内存占用60% 8g占用过高
  • 资本公积是什么会计要素
  • linux配置与管理教程
  • macbook做bim
  • 失控发票受票方的责任
  • PHP:session_write_close()的用法_Session函数
  • 注销税务时其他应付款的账务处理
  • mom.exe是什么进程
  • 费用报销费用填写要求
  • 解决安装后软件icon一圈白边问题
  • 临时存款账户怎么开户
  • 小规模纳税人超标认定一般纳税人
  • 用土地抵账合法吗
  • ai作画app
  • mac快捷切换
  • 工会经费计税依据是上年工资还是当年工资
  • 利息资本化怎么计算
  • node .js
  • css如何实现文字循环滚动左到右,再从右到左衔接循环
  • 主动学习(Active Learning,AL)的理解以及代码流程讲解
  • vue设置元素不可点击
  • php隐藏跳转
  • 融资租赁首付租金会计账务处理
  • 民营医院发票样式
  • 增值税增量留抵退税政策2019
  • 税金及附加也是费用吗
  • 白酒贴牌酒是真酒还是假酒
  • 帝国cms自定义列表
  • 织梦安装详细教程
  • sqlserver2008数据库可疑
  • 餐厅餐具如何使用
  • 咨询服务业主营业务成本
  • 采购未到票如何入账
  • 一般纳税人资格证书怎么查询
  • 12月结账后要年度结转吗
  • 年金现值系数和复利现值系数的公式
  • 出售固定资产如何缴纳增值税
  • 财务负责人和办税员可以是一个吗
  • 个人银行帐户可以代理销户吗?
  • 利润分配未分配利润怎么结转
  • 其他货币资金都有啥
  • mysql经典书
  • aspnet数据库访问
  • sql如何学
  • 微信公众平台在哪里打开
  • mysql b+树节点大小
  • 没有光驱启动
  • mssecsvr.exe病毒现象
  • Win7系统如何打开磁盘管理工具
  • Msssrv.exe - Msssrv是什么进程 有什么用
  • nodejs v8
  • js原生dialog
  • git 删除分支和回滚的实例详解
  • 税务局稽查科是干什么的工作
  • 安徽省国家税务局电子税务局
  • 已申报的纳税申报表怎么修改
  • 季报逾期申报怎么写
  • 村级公益性支出是什么
  • 增值税发票怎么购票
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设