开源地址: https://github.com/TexasInstruments/edgeai-yolov5/tree/yolo-pose

导读：
前不久看到一则新闻，YOLO之父Joseph Redmon离开CV界，原因是受不了道德的谴责，该技术已被用在军事和隐私问题上。最近，YOLO又火了，YOLOv7在速度和精度的平衡上达到了最佳水平。而基于YOLOv5的YOLOPose也在人体姿态估计领域取得了端到端领先的性能。本篇记录复现YOLOPose的过程，与代码解读。

---

---

一、设置

1.1 克隆仓库，安装依赖库，检查Pytorch和GPU

!git clone https://github.com/ultralytics/yolov5  # clone repo
#YOLO-Pose分支无法克隆，直接下载zip包即可；
%cd edge-yolov5-yolo-pose/
%pip install -r requirements.txt  # install dependencies

import torch
from IPython.display import Image, clear_output  # to display images

clear_output()
print(f"Setup complete. Using torch {torch.__version__} ({torch.cuda.get_device_properties(0).name if torch.cuda.is_available() else 'CPU'})")
1
2
3
4
5
6
7
8
9
10

Setup complete. Using torch 1.9.1+cu101 (Tesla V100-SXM2-16GB)

如果pytorch版本不对，会出现下列问题：

AttributeError: ‘Upsample‘ object has no attribute ‘recompute_scale_factor‘
#https://blog.csdn.net/qq_40280673/article/details/125095353

#正确的版本
pip install torch==1.9.1
pip install torchvision==0.10.1
1
2
3
4
5
6

本地conda环境下运行，(pytorch-cifar) wqt@ser2024:edgeai-yolov5-yolo-pose$ pip install torch==1.9.1

二、推理

2. 1 下载训练好的YOLO和YOLOPose模型

(pytorch-cifar) wqt@ser2024:edgeai-yolov5-yolo-pose$ ./weights/download_weights.sh
由于直接打开链接下载，会出现格式错误，这里推荐命令行下载：

wget http://software-dl.ti.com/jacinto7/esd/modelzoo/gplv3/08_02_00_11/edgeai-yolov5/pretrained_models/checkpoints/keypoint/coco/edgeai-yolov5/other/best_models/yolov5s6_640_57p5_84p3_kpts_head_6x_dwconv_3x3_lr_0p01/weights/last.pt

#此处下载Yolov5s6_pose_960
1
2
3

2.2 准备数据

数据集需要准备成YOLO格式，因为数据加载需要同时读取关键点和位置框的信息。有专门的代码库可以产生所需要的格式，见https://github.com/ultralytics/JSON2YOLO 。由于作者已经把coco keypoints转换成所需的格式，直接去下载附件包即可。并且将数据集软连接到所需要文件夹中，文件夹目录如下所示：

edgeai-yolov5
│   README.md
│   ...   
│
coco_kpts
│   images
│   annotations
|   labels
│   └─────train2017
│       │       └───
|       |       └───
|       |       '
|       |       .
│       └─val2017
|               └───
|               └───
|               .
|               .
|    train2017.txt
|    val2017.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

软连接可参考如下：

(base) wqt@ser2024:NewProjects$ ln -s ~/Datasets/coco/* coco_kpts
(base) wqt@ser2024:coco_kpts$ rm coco
#即可删除软连接
1
2
3

2.3 运行

真实标注如下所示：

---

YOLOPose实测效果，如下图所示：

---

放大的细节对比：

不难发现，YOLOPose在小尺度的人体检测上有亮点（如左图最右边，右图最左边）！

---

三、代码解读

3.1 检测器的一般框架

这里描述了目标检测的一般流程图（来自YOLOv4），可以看到一个类人的结构：

1. 骨架：通常由CNN网络产生不同颗粒度的特征图；
2. Neck：一系列网络层融合特征图；
3. Head：消化来自Neck的网络特征，并预测位置框与分类。

3.2 YOLOv5架构

YOLOv5主要有4个版本：s，m，l，x。模型不断增大，精度不断提升，但推理速度下降。

3.2.1 EfficientDet架构

这里作者与EfficientDet方法进行了对比，我们也可以了解下EfficientDet架构的一些特点：

EfficientDet架构三层特点如下：

1. Backbone：采用EfficientNet作为基础骨架；
2. Neck：采用Bi-direction金字塔特征进行交互融合；
3. Head：预测分类头+预测位置框头；

当然，很有其他处理方法在每个部件可以选择不同架构的组合。YOLOv5最大的贡献就是组合CV其他领域的突破，并证明作为一个融合体能够提升检测性能。

感谢博主提供的YOLOv5架构图！

3.3 YOLOv5的新特性

相比v4之前的版本，v5的提升有几个方面：

• 输入端：Mosaic数据增强，自适应锚框，自适应图片缩放；
• Backbone：Focus结构，CSP结构
• Neck：PANet，减少了参数量，更快的推理速度和更好的精度。
• Head：采用GIOU_Loss

3.3.1 数据增强

其实，数据增强也是YOLOv4的秘密武器，与其说新架构，不如说是数据增强。数据增强的方式太多了，有机会专门写一篇有关数据增强的方法介绍，可参考roboflow，很好的外文网站，介绍最新的AI技术。


YOLOv5会将数据集传送给一个数据加载器dataloader，它将会在线增强数据，主要方式有：缩放，颜色空间调整和mosaic增强。其中，马赛克增强是将四张照片以随机比例结合成一张。它对于COCO数据集上的小目标检测效果非常好，见上述实测例子。

3.3.2自适应锚框

怎么从图片中找到感兴趣区域？传统的方式是采用滑动窗口去遍历，这将产生大量的冗余候选集，还会增加大量运算量。
在YOLOv3以后，为了检测候选框，网络从一个anchor box列表中计算偏移量来预测候选框位置。

在YOLOv3论文中，作者采用K-means和遗传算法去学习anchor boxes，基于定制数据集的候选框的分布。这对于自定义数据集非常重要，因为候选框的尺度和位置与当前COCO数据集存在很大差异。比较极端的情况就是，长颈鹿的检测框将会很窄很长，而带鱼的检测框很宽很扁。

# parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

# anchors
anchors:
  - [116,90, 156,198, 373,326]  # P5/32
  - [30,61, 62,45, 59,119]  # P4/16
  - [10,13, 16,30, 33,23]  # P3/8
1
2
3
4
5
6
7
8
9
10

3.3.3 模型配置文件

YOLOv5统一模型配置文件在$.yaml$中，这与DarkNet中的$.cfg$不一样。主要差别是在$.yaml$文件中只需要指定不同层，然后将他们乘以块中的层数即可。其配置如下：

# YOLOv5 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Focus, [64, 3]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 9, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 1, SPP, [1024, [5, 9, 13]]],
   [-1, 3, C3, [1024, False]],  # 9
  ]
1
2
3
4
5
6
7
8
9
10
11
12
13
14

# YOLOv5 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

3.3.3 CSP骨架

YOLOv4和v5都采用了CSP bottleneck来制定特征， Cross Stage Partial Networks， CSPNet借鉴了DenseNet的思想，为了缓解梯度消失问题，促进特征传播，鼓励重复使用特征，并减少网络参数量。

class BottleneckCSP(nn.Module):
    # CSP Bottleneck https://github.com/WongKinYiu/CrossStagePartialNetworks
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = nn.Conv2d(c1, c_, 1, 1, bias=False)
        self.cv3 = nn.Conv2d(c_, c_, 1, 1, bias=False)
        self.cv4 = Conv(2 * c_, c2, 1, 1)
        self.bn = nn.BatchNorm2d(2 * c_)  # applied to cat(cv2, cv3)
        self.act = nn.ReLU(inplace=True)
        self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])

    def forward(self, x):
        y1 = self.cv3(self.m(self.cv1(x)))
        y2 = self.cv2(x)
        return self.cv4(self.act(self.bn(torch.cat((y1, y2), dim=1))))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

3.3.4 PANet Neck

YOLOv4和v5都采用了PANet（下图b）方式来聚合特征。

此图来EfficientDet论文，它采用BiFPN方式来融合特征，证明了此结构对于目标检测任务是最好的选择。或者这对于Yolo而言是需要进一步探索的。

3.4 Bounding box损失函数

有关检测框的损失函数，专门有在系列文章中介绍。这里，Yolov5中采用其中的CIOU_Loss做Bounding box的损失函数。

在目标检测的后处理过程中，针对很多目标框的筛选，通常需要nms操作。Yolov4在DIOU_Loss的基础上采用DIOU_nms的方式，而Yolov5中仍然采用加权nms的方式。可以看出，采用DIOU_nms，下方中间箭头的黄色部分，原本被遮挡的摩托车也可以检出。

后续不妨考虑修改损失函数！

参考

1. https://blog.csdn.net/nan355655600/article/details/107852353
2. https://blog.roboflow.com/yolov5-improvements-and-evaluation/

bug调试

ImportError: cannot import name 'amp' from 'torch.cuda' (/home/wqt/anaconda3/envs/pytorch-cifar/lib/python3.7/site-packages/torch/cuda/__init__.py)
1

原始conda环境下torch版本比较低，按照install requirement.txt中安装又容易出现最高版本，最好的选择是看作者推荐的版本，或者从issue中找答案。

AttributeError: Cant get attribute SPPF on module models.common
1

这是由于下载的yolov5分支是比较早期的，要么下载最新git，要么直接把这个类贴进去。可参考https://blog.csdn.net/Steven_Cary/article/details/120886696

总结：
想改进YOLO去提升性能，可能面临的主要麻烦有：首先，涉及的改动联动太多；其次，数据格式也需要改成YOLO格式，如果想在其他数据库上运行，先要过数据这一关，一股蛋蛋的忧桑涌上心头

---