YOLO学习记录之模型修改

原创已于 2023-02-27 20:16:07 修改 · 4.7k 阅读

66 ·

CC 4.0 BY-SA版权

文章标签：

#学习 #深度学习 #pytorch

于 2023-01-02 15:23:00 首次发布

学习记录同时被 2 个专栏收录

76 篇文章

订阅专栏

YOLO系列

56 篇文章

订阅专栏

文章介绍了如何对YOLOV7模型进行微调，包括理解.pt,.pth,.pkl模型文件，加载预训练权重，以及如何通过添加网络层进行模型修改。作者通过添加SELayer通道注意力模型进行实验，展示了微调对模型性能的影响，并提到了CBAM和ECA等注意力机制模块在模型优化中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我们在做实验时，不免需要对模型结构进行修改来检测自己的改进性能，对于一般模型而言，我们只需要简单的在代码中添加网络层即可，但对于一些预训练好的模型，我们则需要进行较为复杂的修改。以我们的YOLOV7模型为例，yolo_v7.pth为预训练模型，里面已经根据image_Net训练好了大量的权值，是具有通用性的，如果我们不选择该模型而选择自己重新训练的话，无疑会增大计算成本，同时也可能无法取到满意的效果。
今天主要是尝试为YOLO模型添加简单的网络层，为之后模型的修改完善打下基础。

基础知识

首先我们先来熟悉一下模型文件，.pt，.pth，.pkl的PyTorch模型文件。

它们并不存在格式上的区别，只是后缀名不同而已。在用torch.save()函数保存模型文件的时候，有些人喜欢用.pt后缀，有些人喜欢用.pth或 .pkl，用相同的 torch.save()语句保存出来的模型文件没有什么不同。在PyTorch官方的文档里，有用.pt的，也有用.pth的。

据某些文章的说法，一般惯例是使用 .pth，但是官方文档里貌似.pt居多，而且官方也不是很在意固定地用某一种。

简单测试

我们来简单测试一下模型文件的生成，保存和读取：
我们自定义一个模型，然后将其保存并读取：

import torch
from torch import nn
class Qu(nn.Module):
    def __init__(self):
        super(Qu, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3)

    def forward(self, x):
        x = self.conv1(x)
        return
def test_model():
    qu = Qu()
    torch.save(qu, "qu_method1.pth")
    model = torch.load("qu_method1.pth")
    print(model)
test_model()

在这里插入图片描述
然后我们读取一下yolov7_weights.pth文件：

def load_model():
    import torch
    weights = '../model_data/yolov7_weights.pth'
    net = torch.load(weights)
    print(type(net), len(net))
    for k, v in net.items():
        print(k, type(v), v.size())

load_model()

在这里插入图片描述
可以看到其读取出的文件为权重值，偏置项的配置，包含初始化值，这便是预训练权重，是在image_net上训练得到的，具有通用性，而我们便是在修改了自己的网络模型上，在预训练权值的基础上进行微调，从而得到符合我们数据集的权重，进而完成我们的实验。

微调（Fine Tune）

什么是模型微调呢，比如我们已知一个网络模型：

Y=Wx  这里我们没有设置偏置项

我们想要找到W，使X=2时，Y=1，即W=0.5
那么我们就要对W进行初始化，其初始化值符合均值为0，方差为1的分布，假设我们开始初始值为0.1，当我们的X=2时，Y=0.2,此时Y的实际值与理想值误差为0.8，相差较大，0.8的误差值去反向传播更新W,假设此时更新为0.2，那么依旧有0.6的误差，可能经过十几次乃至几十次的反向传播，最后我们得到了理想的权重值。
而如果一开始时，有人告诉我们说我们的权重值在0.48附近，那么我们我们第一次的误差值便只有0.04了，那么我们肯能只需要几次反向传播便可以得到理想的结果，我么是在一个已有范围的基础上稍微调整，即称为微调。

这个告诉我么的初始权值范围便相当于一个预训练模型，而我么之后的训练便是微调的过程。

我们选择的预训练模型一般都是在image_net，VOC,COCO等这种大型数据集上训练得到的，具有公信力和通用性。而如果我么自己从头训练的话，若是数据集数量过少，而我们的权值参数数量很多，那么就可以存在过拟合线性，泛化性能不佳。

何时可用微调？

1.数据集很相似，个人数据集与预训练数据集很相似
2.数据集很相似，但数量太少，不能满足训练要求
3.计算资源匮乏，如果计算力差，那么使用预训练模型无疑是一个好的选择。
4.自己搭建的模型准确性太差

通过对我们拥有的较小数据集进行训练（即反向传播），对现有网络进行微调，这些网络是在像ImageNet这样的大型数据集上进行训练的，以达到快速训练模型的效果。假设我们的数据集与原始数据集（例如ImageNet）的上下文没有很大不同，预先训练的模型将已经学习了与我们自己的分类问题相关的特征。

我们也可以冻结网络中的层数来进行训练。

最后我们调用一下YOLO模型：

def yolo_model():
    import nets.yolo as yolo
    import torch
    YOLO=yolo.YoloBody()
    torch.save(YOLO, "YOLO.pth")
    model = torch.load("YOLO.pth")
    print(model)
yolo_model()

在这里插入图片描述

可以看到其网络输出通道数以及特征图大小与我们的模型图一致。

在这里插入图片描述

模型修改

终于到我们的重头戏了，首先我们先要定义一下我们的模型结构，博主定义了一个SE模块，这是一个通道注意力模型。

import torch
import torch.nn as nn
class SELayer(nn.Module):
    def __init__(self, c1, r=16):
        super(SELayer, self).__init__()
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.l1 = nn.Linear(c1, c1 // r, bias=False)
        self.relu = nn.ReLU(inplace=True)
        self.l2 = nn.Linear(c1 // r, c1, bias=False)
        self.sig = nn.Sigmoid()
    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avgpool(x).view(b, c)
        y = self.l1(y)
        y = self.relu(y)
        y = self.l2(y)
        y = self.sig(y)
        y = y.view(b, c, 1, 1)
        return x * y.expand_as(x)

在这里插入图片描述
demo:

模型结构如图所示，然后我们需要确定我们想要将模型结构所添加的位置，我们选择一个容易添加的位置，比如在yolo的head头的最后的部分。如下图所示

在这里插入图片描述

那么确定了要添加位置后就在网络结构中进行定义;

在这里插入图片描述

然后再前向传播中引入：

在这里插入图片描述

完成后我们开始训练，此时我们使用的依然是yolov7_weights.pth这个预训练模型。为了方便实验，博主只进行了一次迭代。

在这里插入图片描述
保存好我们训练的模型后，此时的pth里面是包含我们刚刚训练好的参数的。
我们计算mAP值来看看加入SENet后的效果，原mAP为90.07%:

将模型替换为刚刚训练好的模型文件：将yolo文件中的模型地址替换：

计算mAP可以看到，效果很差，理论上计算效果差些也不该直接没有结果的，这说明我们的改进肯定出问题了：
在这里插入图片描述
呜呜呜，当然也可能是训练次数太少导致的，正在找原因。。。。后面找到原因后会更新的。
前面提到使用我们改进后的模型的mAP值并不理想，当时猜测是博主改进的有问题，亦可能是模型训练次数太少导致的，于是博主便将其训练了30轮，但训练时由于显存与内存问题终止了，但由于博主设计了每10轮保留一次模型，因此也并非完全没有保留，于是便使用10轮迭代的模型进行实验。结果如下：
在这里插入图片描述

发现较原本的mAP值有了3%的提升，由此可见改进还是有些效果的。

常用模块

下面介绍几种即插即用的注意力机制模块

CBAM模型

class ChannelAttention(nn.Module):
    def __init__(self, in_planes, ratio=16):
        super(ChannelAttention, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)
 
        self.f1 = nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False)
        self.relu = nn.ReLU()
        self.f2 = nn.Conv2d(in_planes // ratio, in_planes, 1, bias=False)
        # 写法二,亦可使用顺序容器
        # self.sharedMLP = nn.Sequential(
        # nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False), nn.ReLU(),
        # nn.Conv2d(in_planes // rotio, in_planes, 1, bias=False))
 
        self.sigmoid = nn.Sigmoid()
 
    def forward(self, x):
        avg_out = self.f2(self.relu(self.f1(self.avg_pool(x))))
        max_out = self.f2(self.relu(self.f1(self.max_pool(x))))
        out = self.sigmoid(avg_out + max_out)
        return out
 
 
class SpatialAttention(nn.Module):
    def __init__(self, kernel_size=7):
        super(SpatialAttention, self).__init__()
 
        assert kernel_size in (3, 7), 'kernel size must be 3 or 7'
        padding = 3 if kernel_size == 7 else 1
 
        self.conv = nn.Conv2d(2, 1, kernel_size, padding=padding, bias=False)
        self.sigmoid = nn.Sigmoid()
 
    def forward(self, x):
        avg_out = torch.mean(x, dim=1, keepdim=True)
        max_out, _ = torch.max(x, dim=1, keepdim=True)
        x = torch.cat([avg_out, max_out], dim=1)
        x = self.conv(x)
        return self.sigmoid(x)
 
 
class CBAM(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, ratio=16, kernel_size=7):  # ch_in, ch_out, number, shortcut, groups, expansion
        super(CBAM, self).__init__()
        # c_ = int(c2 * e)  # hidden channels
        # self.cv1 = Conv(c1, c_, 1, 1)
        # self.cv2 = Conv(c1, c_, 1, 1)
        # self.cv3 = Conv(2 * c_, c2, 1)
        # self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])
        self.channel_attention = ChannelAttention(c1, ratio)
        self.spatial_attention = SpatialAttention(kernel_size)
 
        # self.m = nn.Sequential(*[CrossConv(c_, c_, 3, 1, g, 1.0, shortcut) for _ in range(n)])
 
    def forward(self, x):
        out = self.channel_attention(x) * x
        # print('outchannels:{}'.format(out.shape))
        out = self.spatial_attention(out) * out
        return out

ECA模块

class eca_layer(nn.Module):
    """Constructs a ECA module.
    Args:
        channel: Number of channels of the input feature map
        k_size: Adaptive selection of kernel size
    """
    def __init__(self, channel, k_size=3):
        super(eca_layer, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.conv = nn.Conv1d(1, 1, kernel_size=k_size, padding=(k_size - 1) // 2, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        # feature descriptor on the global spatial information
        y = self.avg_pool(x)

        # Two different branches of ECA module
        y = self.conv(y.squeeze(-1).transpose(-1, -2)).transpose(-1, -2).unsqueeze(-1)

        # Multi-scale information fusion
        y = self.sigmoid(y)
        x=x*y.expand_as(x)

        return x * y.expand_as(x)