darknet版本的yolov4特征层可视化

下载darknet

git clone https://github.com/AlexeyAB/darknet.git

终端输入：

sudo vim Makefile
按“ａ”进入插入模式，将如下内容更改：

GPU=1
CUDNN=1
CUDNN_HALF=0
OPENCV=1

按“esc”,再输入“:wq!”

在src/network_kernels.cu内，添加内容

1.找到void forward_network_gpu(network net, network_state state)函数，在对应位置添加如下内容：

if(net.wait_stream)
    cudaStreamSynchronize(get_cuda_stream());
state.input = l.output_gpu;
bool show_featuremap = true;
if (show_featuremap){
    //这个函数是新加的，用来得到图片保存图片
    image tmp = get_network_cow_image_layer(&net,i);
}

2.添加如下函数：

/*****************************************************
*func: 主要是为了将output结果能够映射到0-255区间（初始化，使用sigmoid函数进行归一化，），便于进行可视化操作。 将所有维度合成到一个维度，然后取平均，×255，便于查看
*****************************************************/
image float_to_cow_image(int w, int h, int c, float *data,int ai)
{
    char tp[1000];
    //保存文件到特定文件夹（feature_txt）中并根据ai大小命名
    sprintf(tp,"/home/hui/feature_txt/out_%d.txt",ai);
    FILE * stream = fopen(tp,"w+");
    //创建一个1维的空图片
    image out = make_empty_image(w,h,1);
    int i, j;
    //设计一个数组保存该图片内容
    float *tempData = (float*)calloc(w*h,sizeof(float));
    //初始化
    for(i = 0 ; i < w*h ; i++)
    {
        tempData[i] = 0;
    }
    //归一化，sigmoid
    for(i = 0 ; i < w*h*c ; i++)
    {
        data[i] = 1.0/(1+exp(-1*data[i]));
    }
    //合并通道
    for(i = 0 ; i < w*h ; i++)
    {
        for(j = 0 ; j < c ; j++)
        {
            tempData[i] += data[i+j*w*h];
        }
    }
    //保存到文件
    for(i = 0 ; i < w*h; i++)
    {
        tempData[i] /= c;
        tempData[i] *= 255;
        fprintf(stream," %f",tempData[i]);
        if((i+1)%w==0)
            fprintf(stream,"\n");
    }
    //关闭文件流
    fclose(stream);
    out.data = tempData;
    return out;
}


image get_network_cow_image_layer(network *net, int i)
{
//    image a;
    layer l = net->layers[i];

#ifdef GPU
    cuda_pull_array(l.output_gpu, l.output, l.outputs);
#endif
    printf("w:%d,h:%d,c:%d\n",l.out_w,l.out_h,l.out_c);
    if (l.out_w && l.out_h && l.out_c){
//        return a;
        return float_to_cow_image(l.out_w,l.out_h,l.out_c,l.output,i);
    }
    image def = {0};
    return def;
}

在include/darknet.h中，添加内容

LIB_API image float_to_cow_image(int w, int h, int c, float *data,int ai);
LIB_API image get_network_cow_image_layer(network *net, int i);

在/home/hui/创建三个文件夹

终端输入：

make

完成编译后，输入如下命令，生成文件在feature_txt中

./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights data/eagle.jpg

在darknet根目录创建1.py,并执行。生成内容可在feature_pic和feature_joint文件夹内查看

import os
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image

outpath = "/home/hui/feature_pic/"
outpath_joint = "/home/hui/feature_joint/"
filepath = "/home/hui/feature_txt/"
final_size = 1024

# https://www.cnblogs.com/pprp/p/10146355.html
def process(filepath, outpath):
    feature_map_list = []
    for fileName in os.listdir(filepath):
        a = np.loadtxt(filepath + "/" + fileName)
        im = Image.fromarray(np.uint8(a))
        feature_map_list.append(im)
        plt.title(fileName)
        plt.imshow(im), plt.axis('off')
        im.save(outpath + "/" + fileName[:-4] + ".jpg")
    return feature_map_list
# 定义图像拼接函数
# https://blog.youkuaiyun.com/lxk2017/article/details/97911371
# 输入10张图片，输出4*4的方格，每一个方格放入相应图片
def image_compose1(feature_map_list,IMAGE_ROW,IMAGE_COLUMN, outpath_joint):
    IMAGE_SIZE = feature_map_list[0].size[0]
    to_image = Image.new('RGB', (IMAGE_COLUMN * IMAGE_SIZE, IMAGE_ROW * IMAGE_SIZE))  # 创建一个新图
    for x in range(IMAGE_ROW):
        for y in range(IMAGE_COLUMN):
            img_index = x * IMAGE_ROW + y
            if img_index < len(feature_map_list):
                from_image = feature_map_list[img_index]
                to_image.paste(from_image, (x * IMAGE_SIZE, y * IMAGE_SIZE))
    to_image = to_image.resize((final_size, final_size), Image.ANTIALIAS)
    saveimg_path = str(IMAGE_SIZE) + "_" + str(IMAGE_COLUMN) + ".jpg"
    to_image.save(os.path.join(outpath_joint, saveimg_path))  # 保存新图
# 输入162张特征图，方格的大小
def image_compose(feature_map_list,feature_index,IMAGE_ROW_t,IMAGE_COLUMN_t, outpath_joint):
    for i in range(len(feature_index)-1):
        feature_map_list1 = []
        for j in range(feature_index[i],  feature_index[i + 1]):
            feature_map_list1.append(feature_map_list[j])
        image_compose1(feature_map_list1, IMAGE_ROW_t[i], IMAGE_COLUMN_t[i], outpath_joint)

if __name__ == "__main__":

    feature_map_list = process(filepath, outpath)
    IMAGES_FORMAT = ['.jpg', '.JPG']  # 图片格式
    feature_index = [0, 10, 23, 54, 85, 117, 127, 140, 151, 161]
    IMAGE_ROW_t = [1, 4, 4, 6, 6, 6, 4, 4, 4, 4]  # 图片间隔，也就是合并成一张图后，一共有几行
    IMAGE_COLUMN_t = [1, 4, 4, 6, 6, 6, 4, 4, 4, 4]  # 图片间隔，也就是合并成一张图后，一共有几列
    image_compose(feature_map_list,feature_index,IMAGE_ROW_t,IMAGE_COLUMN_t, outpath_joint)  # 调用函数