Keras深度学习实战（15）——从零开始实现YOLO目标检测
0. 前言
在《从零开始实现R-CNN目标检测》中我们学习了 R-CNN 目标检测模型，但基于候选区域的卷积神经网络目标检测 (例如 R-CNN 等) 的缺点之一是，由于选择性搜索需要花费大量时间获取候选区域，因此它无法实现实时目标检测。这导致基于候选区域的目标检测算法在诸如自动驾驶这类需要实时检测的应用中无法使用。
为了实现实时检测，我们将实现另一类主流目标检测模型 YOLO (You Only Look Once)，该模型仅需要对图像进行一次运算，即可识别图像中目标对象，并在图像中对象周围绘制边框。
1. YOLO目标检测模型
要了解 YOLO 如何克服在生成候选区域时耗费大量时间的弊端，我们首先需要对 YOLO 目标检测模型进行分解介绍。
接下来，我们将通过使用 YOLO 的单次向前传递进行目标检测预测任务，包括预测图像中的对象类别及其边界框，并将其与我们在《从零开始实现R-CNN目标检测》中上一节实现的基于候选区域的 R-CNN 算法进行比较。
1.1 锚框 (anchor boxes)
为了了解 YOLO 的工作细节，让我们首先使用一个简单示例进行讲解。假设输入图像如下所示，其中图像被分为 3 x 3 的网格：
在这种情况下，神经网络模型的输出大小应为 3 x 3 x 5，其中 3 x 3 对应于图像中网格的数量，输出中的 5 的第一个输出表示对应网格是否包含目标对象，其他四个组成部分是与图像中网格相对应实际对象边界框的 x、y、w 和 h的偏移。
YOLO 目标检测模型中另一个重要概念是锚框 (anchor boxes)。我们知道图像中的边界框都具有不同形状比例，例如，汽车的边界框宽度大于高度，而人的边界框宽度通常小于高度。因此，我们可以将图像集中所有不同比例的边界框聚类为五个簇，这会产生五个具有不同高度和宽度的矩形框，我们将它们称为锚框，可以使用这些锚框来标识图像中对象周围的边界框。
如果在图像上有五个锚框，则输出相应的变为 3 x 3 x 5 x 5，其中 5 x 5 对应于五个锚框中对象类别概率和图像中锚框相对应实际对象边界框的 x、y、w 和 h 的偏移量，而 3 x 3 x 5 x 5 的输出可以通过神经网络模型的一次前向传播完成。
接下来，我们介绍如何得到锚框尺寸：
- 提取数据集中所有图像的宽度和高度
- 使用具有
5个聚类核的k 均值聚类，以聚类图像中存在的对象边界框宽度和高度 - 五个聚类中心对应于用于构建模型的五个锚框的宽度和高度
1.2 YOLO 目标检测模型原理
了解的锚框的基本概念以及如何获取锚框后，我们继续介绍 YOLO 算法的原理：
- 将图像划分为固定数量的网格单元
- 与图像中目标的真实边界框中心相对应的网格负责预测目标边界框
- 锚框的中心应与网格的中心相同
- 创建训练数据集：
- 对于包含对象中心的网格，其类别标签为
1，并且需要为每个锚点框计算x、y、w和h的偏移量 - 对于不包含对象中心的网格，其类别标签为
0，其x、y、w和h的偏移量则无关紧要
- 对于包含对象中心的网格，其类别标签为
- 在第一个模型中，我们将预测包含图像中心的锚框和网格单元组合
- 在第二个模型中，我们预测锚框的边界框偏移量
下一节中，我们将从零开始构建用于执行人物目标检测的深度神经网络模型。
2. 从零开始实现 YOLO 目标检测
我们继续使用在《R-CNN 目标检测模型》中使用的数据集，其中包含图像中目标对象类别以及相应边界框坐标，其详细介绍参考《从零开始实现R-CNN目标检测》。
2.1 加载数据集
导入相关的库，并定义相关数据集目录：
import json, scipy, os, time
import sys, cv2, xmltodict
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import gc, scipy, argparse
from copy import deepcopy
# 数据集目录
xmls_root ="VOCtrainval_11-May-2012/VOCdevkit/VOC2012/"
annotations = xmls_root + "Annotations/"
jpegs = xmls_root + "JPEGImages/"
XMLs = os.listdir(annotations)
# 网格超参数
num_grids = 5
print(XMLs[:10])
print(len(XMLs))
file_name = '8.png'
# 数据集查看
ix = np.random.randint(len(XMLs))
sample_xml = XMLs[ix]
sample_xml = '{}/{}'.format(annotations, sample_xml)
with open(sample_xml, "rb") as f: # notice the "rb" mode
d = xmltodict.parse(f, xml_attribs=True)
print(d)
定义交并比 (Intersection over Union, IoU) 计算函数：
def calc_iou(candidate, current_y, img_shape):
boxA = deepcopy(candidate)
boxB = deepcopy(current_y)
boxA[2] += boxA[0]
boxA[3] += boxA[1]
iou_img1 = np.zeros(img_shape)
iou_img1[int(boxA[1]):int(boxA[3]), int(boxA[0]):int(boxA[2])] = 1
iou_img2 = np.zeros(img_shape)
iou_img2[int(boxB[1]):int(boxB[3]), int(boxB[0]):int(boxB[2])] = 1
iou = np.sum(iou_img1*iou_img2) / (np.sum(iou_img1) + np.sum(iou_img2) - np.sum(iou_img1*iou_img2))
return iou
2.2 计算锚框尺寸
将锚框的宽度和高度归一化为图像宽度和高度的百分比，以保证在图像缩放时，锚框的百分比并不会改变。
在边界框中标识人物所有可能的宽度和高度锚框，遍历所有的图像，记录只包括一个人物对象的图片，并解析计算边界框的宽度和高度：
y_train = []
for i in XMLs[:10000]:
xml_file = annotations + i
arg1 = i.split('.')[0]
with open(xml_file, 'rb') as f:
d = xmltodict.parse(f, xml_attribs=True)
l = []
if type(d['annotation']['object']) == type(l):
discard = 1
else:
x1 = ((float(d['annotation']['object']['bndbox']['xmin'])))/(float(d['annotation']['size']['width']))
x2 = ((float(d['annotation']['object']['bndbox']['xmax'])))/(float(d['annotation']['size']['width']))
y1 = ((float(d['annotation']['object']['bndbox']['ymin'])))/(float(d['annotation']['size']['height']))
y2 = ((float(d['annotation']['object']['bndbox']['ymax'])))/(float(d['annotation']['size']['height']))
cls = d['annotation']['object']['name']
if cls == 'person':
y_train.append([x2-x1, y2-y1])
使用具有五个聚类中心的 k 均值聚类拟合边界框的宽度和高度，得到五个聚类中心作为锚框：
y_train = np.array(y_train)
from sklearn.cluster import KMeans
km = KMeans(n_clusters=5)
km.fit(y_train)
anchors = np.array(km.cluster_centers_).tolist()
print(km.cluster_centers_)
得到的聚类中心的结果如下所示：
[[0.84231561 0.89869485]
[0.16385373 0.29783605]
[0.2713572 0.61432026]
[0.55194672 0.57477447]
[0.48429325 0.86908945]]
2.3 创建训练数据集
(1) 初始化空列表，以便可以在进一步处理中记录数据：
k = -1
pre_xtrain = []
y_train = []
cls = []
xtrain = []
final_cls = []
dx = []
dy = []
dw = []
dh = []
final_delta = []
av = 0
x_train = []
y_delta = []
anc = []
(2) 遍历数据集，为了简单起见，我们仅使用包含一个对象并且该对象是人物的图像：
for i in XMLs[:10000]:
xml_file = annotations + i
arg1 = i.split('.')[0]
discard=0
with open(xml_file, "rb") as f:
d = xmltodict.parse(f, xml_attribs=True)
l = []
## 仅使用包含一个对象并且该对象是人物的图像
if type(d["annotation"]["object"]) == type(l):
discard = 1
else:
coords = {arg1:[]}
pre_xtrain.append(arg1)
m = pre_xtrain[(k+1)]
k = k+1
if(discard==0):
x1=((float(d['annotation']['object']['bndbox']['xmin'])))/(float(d['annotation']['size']['width']))
x2=((float(d['annotation']['object']['bndbox']['xmax'])))/(float(d['annotation']['size']['width']))
y1=((float(d['annotation']['object']['bndbox']['ymin'])))/(float(d['annotation']['size']['height']))
y2=((float(d['annotation']['object']['bndbox']['ymax'])))/(float(d['annotation']['size']['height']))
cls=d['annotation']['object']['name']
if(cls == 'person'):
coords[arg1].append(x1)
coords[arg1].append(y1)
coords[arg1].append(x2)
coords[arg1].append(y2)
coords[arg1].append(cls)
在以上代码中，获取了归一化后的对象位置(使用图像的宽度和高度进行归一化)。
(3) 调整人物图像的大小，以使所有图像都具有相同的形状。此外，使用 preprocess_input 函数对图像进行预处理，以使其满足vgg16模型的输入需求：
filename = jpegs + arg1 + '.jpg'
img_size = 224
img = cv2.imread(filename)
img2 = cv2.resize(img,(img_size,img_size))
img2 = preprocess_input(img2.reshape(1, 224, 224, 3))
(4) 提取对象边界框位置以及在缩放后的图像中的边界框坐标：
# 对象在缩放后的图像中的位置
current_y = [int(x1*224), int(y1*224), int(x2*224), int(y2*224)]
label_center = [(current_y[0]+current_y[2])/2,(current_y[1]+current_y[3])/2]
label = current_y
# 对象在原图像中的位置坐标
current_y2 = [float(d['annotation']['object']['bndbox']['xmin']),
float(d['annotation']['object']['bndbox']['ymin']),
float(d['annotation']['object']['bndbox']['xmax'])-float(d['annotation']['object']['bndbox']['xmin']),
float(d['annotation']['object']['bndbox']['ymax'])-float(d['annotation']['object']['bndbox']['ymin'])]
(5) 使用预训练的 VGG16 提取输入图像特征：
vgg_predict = vgg16_model.predict(img2)
x_train.append(vgg_predict)
(6) 通过以上步骤，我们已经完成了创建输入特征。接下来，创建训练集输出，由于我们将图片划分为 5 x 5 的网格，每个网格包含 5 个锚框，因此需要为类别预测提供 5 x 5 x 5 的输出，为边界框偏移预测提供 5 x 5 x 20 的输出。
首先，为目标类别标签和边界框偏移初始化数组：
target_class = np.zeros((num_grids,num_grids,5))
target_delta = np.zeros((num_grids,num_grids,20))
接下来，定义一个计算包含对象中心网格的函数：
def positive_grid_cell(label,img_width = 224, img_height = 224):
label_center = [(label[0]+label[2])/(2),(label[1]+label[3])/(2)]
a = int(label_center[0]/(img_width/num_grids))
b = int(label_center[1]/(img_height/num_grids))
return a, b
使用以上函数，我们为包含对象中心的网格分配标签类别 1，并且所有其它网格的标签都为 0。
a,b = positive_grid_cell(label)
接下来，我们定义另外一个函数，该函数用于查找最接近目标对象边界框的锚框：
def find_closest_anchor(label,img_width, img_height):
label_width = (label[2]-label[0])/img_width
label_height = (label[3]-label[1])/img_height
label_width_height_array = np.array([label_width, label_height])
distance = np.sum(np.square(np.array(anchors) - label_width_height_array), axis=1)
closest_anchor = anchors[np.argmin(distance)]
return closest_anchor
find_closest_anchor 函数将图像中目标对象的宽度和高度与所有可能的锚框进行比较，并标识最接近图像中实际对象宽度和高度的锚框。
最后，我们定义一个计算锚框与目标边界框偏移的函数 closest_anchor_corrections：
def closest_anchor_corrections(a, b, anchor, label, img_width, img_height):
label_center = [(label[0]+label[2])/(2),(label[1]+label[3])/(2)]
anchor_center = [a*img_width/num_grids , b*img_height/num_grids]
dx = (label_center[0] - anchor_center[0])/img_width
dy = (label_center[1] - anchor_center[1])/img_height
dw = ((label[2] - label[0])/img_width) / (anchor[0])
dh = ((label[3] - label[1])/img_height) / (anchor[1])
return dx, dy, dw, dh
编写相关函数后，我们继续创建目标检测模型目标输出数据：
for a2 in range(num_grids):
for b2 in range(num_grids):
for m in range(len(anchors)):
dx, dy, dw, dh = closest_anchor_corrections(a2, b2, anchors[m], label, 224, 224)
target_class[a2,b2,m] = 0
target_delta[a2,b2,((4*m)):((4*m)+4)] = [dx, dy, dw, dh]
anc.append(anchors[m])
if((anchors[m] == find_closest_anchor(label,224, 224)) & (a2 == a) & (b2 == b)):
target_class[a2,b2,m] = 1
在以上代码中，当锚框是与图像中对象形状匹配的最接近的锚框时，我们将其目标类别分配为 1。
(7) 将边界框偏移存储在另一个列表中：
y_train.append(target_class.flatten())
y_delta.append(target_delta)
2.4 实现 YOLO 目标检测模型
(1) 构建模型来识别最可能包含对象的网格单元和锚框：
from keras.optimizers import Adam
optimizer = Adam(lr=0.001)
from keras.layers import BatchNormalization
from keras import regularizers
from keras.models import Sequential
from keras.layers import Conv2D, Flatten, Dense
from keras.applications.vgg16 import preprocess_input
model = Sequential()
model.add(BatchNormalization(input_shape=(7,7,512)))
model.add(Conv2D(1024, (3,3), activation='relu',padding='valid'))
model.add(BatchNormalization())
model.add(Conv2D(128, (1,1), activation='relu',padding='same'))
model.add(Flatten())
model.add(Dense(125, activation='sigmoid'))
model.summary()
创建用于分类的输入和输出数组：
x_train = np.array(x_train)
y_train = np.array(y_train)
x_train = x_train.reshape(x_train.shape[0],7,7,512)
编译并拟合模型以进行分类：
model.compile(loss='binary_crossentropy', optimizer=optimizer)
model.fit(x_train/np.max(x_train), y_train,
epochs=10,
batch_size = 32,
validation_split = 0.1,
verbose = 1)
使用以上模型，我们可以确定最有可能出现人物的网格单元和锚框组合。接下来，我们构建模型纠正最有可能包含对象的预测边界框，首先构建模型输出数据：
delta_x = []
delta_y = []
for i in range(len(x_train)):
delta_x.append(x_train[i])
delta = y_delta[i].flatten()
coord = np.argmax(model.predict(x_train[i].reshape(1,7,7,512)/np.max(x_train)))
delta_y.append(delta[(coord*4):((coord*4)+4)])
在以上代码中，我们使用最有可能包含对象的预测边界框构建输入(使用预训练 VGG16 提取的图像特征)和输出(边界框偏移值)。需要注意的是，对于每个网格单元和锚框组合，对应 x、y、w 和 h 都有 4 个偏移值。
(2) 构建模型来预测 x、y、w 和 h 坐标的偏移。
创建输入和输出数组，并对四个边界框偏移值进行归一化，以使所有四个值具有相似的范围：
delta_x = np.array(delta_x)
delta_y = np.array(delta_y)
max_y = np.max(delta_y, axis=0)
delta_y2 = delta_y/max_y
根据 VGG16 提取的图像特征，构建模型来预测边界框偏移量：
from keras.optimizers import Adam
optimizer = Adam(lr=0.001)
from keras.layers import BatchNormalization
from keras import regularizers
model2 = Sequential()
model2.add(BatchNormalization(input_shape=(7,7,512)))
model2.add(Conv2D(1024, (3,3), activation='relu',padding='valid'))
model2.add(BatchNormalization())
model2.add(Conv2D(128, (1,1), activation='relu',padding='same'))
model2.add(Flatten())
model2.add(Dense(4, activation='linear'))
model2.summary()
编译并拟合模型：
model2.compile(loss = 'mean_absolute_error', optimizer = optimizer)
model2.fit(delta_x/np.max(x_train),delta_y2,
epochs = 10,
batch_size = 32,
verbose = 1,
validation_split = 0.1)
(3) 测试模型性能，预测新图像上的目标对象边界框。
提取最有可能包含对象的位置：
import cv2
image = cv2.imread(file_name)
img = cv2.resize(image,(224,224))
img = preprocess_input(img.reshape(1,224,224,3))
img2 = vgg16_model.predict(img)
arg = np.argmax(model.predict(img2/np.max(x_train)))
在以上代码中，我们选择包含人物的图像，并调整其大小，以便可以对其进行进一步处理，并使用预训练的 VGG16 提取图像特征。最后，我们确定最有可能包含人物的锚框。
提取最有可能包含图像的网格单元和锚框组合，其中 a2 和 b2 是最有可能包含目标对象的网格单元的 x 轴和 y 轴索引，而 c2 是锚框索引：
count = 0
for a in range(5):
for b in range(5):
for c in range(5):
if(count == arg):
print(a,b,c)
a2 = a
b2 = b
c2 = c
count+=1
预测 x、y、w 和 h 坐标的偏移值：
pred = model2.predict(img2/np.max(delta_x))[0]
对预测的边界框偏移值进行反归一化，以应用于为未归一化前的图像中：
pred1 = pred*max_y
计算最终校正后的 x、y、w 和 h 坐标：
xmin = pred1[0]*224+a2*224/num_grids - (anchors[c2][0]*pred1[2] * 224)/2
ymin = pred1[1]*224+b2*224/num_grids - (anchors[c2][1]*pred1[3] * 224)/2
w = anchors[c2][0]*pred1[2] * 224
h = anchors[c2][1]*pred1[3] * 224
绘制图像以及边界框：
import matplotlib.patches as mpatches
cand = [xmin, ymin, w, h]
cand = np.clip(cand, 1, 223)
fig, ax = plt.subplots(ncols=1, nrows=1, figsize=(6, 6))
ax.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
rect = mpatches.Rectangle(
(int(cand[0]*image.shape[1]/224), int(cand[1]*image.shape[0]/224)),
int(cand[2]*image.shape[1]/224),
int(cand[3]*image.shape[0]/224),
fill=False, edgecolor='red', linewidth=1)
ax.add_patch(rect)
plt.show()
2.5 性能改进
本节实现的 YOLO 模型的缺点之一在于：难以检测到与图像尺寸相比非常小的物体。我们也可以参考教程构建完整的 YOLO 模型，以获取性能更加优秀的 YOLO 目标检测模型。
小结
YOLO 是基于锚框的经典目标检测算法，能够实现快速检测的同时具有较高的准确率，其将目标检测任务看作目标区域预测和类别预测的回归问题，实现端到端的目标检测。本文首先介绍了 YOLO 模型的核心思想与目标检测流程，然后使用 Keras 从零开始实现了一个基于 YOLO 的目标检测模型。
系列链接
Keras深度学习实战（1）——神经网络基础与模型训练过程详解
Keras深度学习实战（2）——使用Keras构建神经网络
Keras深度学习实战（3）——神经网络性能优化技术
Keras深度学习实战（4）——深度学习中常用激活函数和损失函数详解
Keras深度学习实战（5）——批归一化详解
Keras深度学习实战（6）——深度学习过拟合问题及解决方法
Keras深度学习实战（7）——卷积神经网络详解与实现
Keras深度学习实战（8）——使用数据增强提高神经网络性能
Keras深度学习实战（9）——卷积神经网络的局限性
Keras深度学习实战（10）——迁移学习
Keras深度学习实战（11）——可视化神经网络中间层输出
Keras深度学习实战（12）——面部特征点检测
Keras深度学习实战（13）——目标检测基础详解
Keras深度学习实战（14）——从零开始实现R-CNN目标检测