mmdetection最小复刻版(四)：独家yolo转化内幕——#mmdetection学习

本文转载自
https://www.zybuluo.com/huanghaian/note/1744915
github： https://github.com/hhaAndroid/mmdetection-mini
欢迎star

部分内容有删改

---

1 darknet系列转化过程

由于yolov2比较老了，性能和速度都无法和yolov3、tiny-yolov3相比，故这里不包括yolov2，具体是yolov3/yolov4以及tiny-yolo3/tiny-yolov4，一共4个模型。

刚开始我对darknet不熟悉，只是看cfg而已，darknet源码是完全没看过(当然现在也没有看过)。如果你想找pytorch版本的yolo系列，github当然也是不计其数。搜索yolov3，带有pytorch的star最多的是eriklindernoren/PyTorch-YOLOv3库，但打开model.py，如下所示：

很明显，他也是直接解析yolov3.cfg来构建模型的。而前面说过我比较不喜欢这个做法，所以这种方式我直接就放弃了。

然后我找到了腾讯优图的目标检测库,在当时他就已经实现了yolov2和yolov3系列了，他的模型构建就是标准的pytorch写法，通俗易懂，所以我一直沿用了这种做法。

通过netron可视化网络结构，可以非常容易看出网络结构以及检查自己写的代码是否正确，起到了极大的帮助。

我首先把ObjectDetection-OneStageDet代码看了一遍并且跑了下，基本上了解了细节。考虑到yolov3模型太大了，不好搞，所以先拿tiny-yolov3开刀，一旦整个流程通了，那么新增yolov3那还不是手到擒来。

1.1 第一步：构建模型

构建tiny-yolov3模型，那实在是太简单了，因为结构非常简单，为了快速实现，我们可以模仿腾讯优图做法，如下所示，地址为:
https://github.com/Tencent/ObjectDetection-OneStageDet/blob/master/vedanet/network/backbone/_tiny_yolov3.py：

我开始也是按照这个写法写的，对应框架代码里面的mmdet/models/backbones/rr_tiny_yolov3_backbone.py。tiny-yolov3是两个输出尺度，而不是三个，下采样率为32和16。为了检查代码是否正确，我还使用了darknet的cfg文件进行可视化。

显示backbone已经写好了，下面就是构建head了。head部分也非常简单，就是对stride=32的分支采用上采样层然后和stride=16的特征层进行concat操作即可:

1.2 第二步：权重转化

构建模型是非常容易的，可以直接抄腾讯优图的代码，但是权重转化就没那么容易了，需要自己搞定。要将tiny-yolov3权重转化到mmdetection-mini中，需要做以下几件事情：
(1) 熟悉darknet权重保存格式.weights
(2) 权重转化为pytorch结构

对于darknet保存的weigts的格式解析，在网上有很多，我梳理了下大概就理解了。对应代码在mmdet/models/utils/brick.py里面的WeightLoader类中。整个权重文件其实是一个numpy矩阵，前几个字节是一些版本以及head信息，后面开始才是权重，其格式为：

1. 如果仅仅是卷积层，那么存储格式是先bias，然后采用卷积权重参数
2. 如果是conv+bn+激活，那么存储格式是先bn的bias,weights，然后采用卷积的bias,weights

明白这两个就可以了，解析时候必须要按照这个格式来读取，否则后果非常严重，后面会细说。并且必须以conv+bn+激活的组合格式来解析，因为darkent的最小配置单位就是这个，如果你在pytorch构建模型时候，把conv和bn分开写，那么解析难度会增加非常多，注意看我的yolo系列的最小模型单位是Conv2dBatchLeaky或者Conv2，目的就是为了解析方便。

理解了上面的流程，就大概知道咋弄了，但是为了转换方便以及转换本身就是仅仅运行一次即可，不需要每次跑训练都转换一次，故我把tiny-yolov3在tools/darknet/tiny_yolov3.py里面copy了一遍，模型是一样的，主要目的是：任何人先用这个脚本转换一下模型，保存为mmdetection-mini能够直接读取的格式，然后在训练和测试时候就直接用转换后的模型即可，而不再需要读取darknet原始weights权重。

tools/darknet/tiny_yolov3.py里面采用了WeightLoader类来加载darknet权重：

注意必须实现__modules_recurse方法，该方法的作用是遍历复杂模型的每个子模块，一定要遍历到最小单位即conv+bn+激活或者conv，因为WeightLoader类的输入必须是这两个，否则无法解析。

下载darknet的tiny-yolov3权重，替换tiny_yolov3.py的权重路径，运行即可。

打印信息如下，跑到这里，你需要检查两个部分：
(1) 最后一行[8858734/8858734 weights]，如果两者不相等，说明你代码写错了，因为权重居然没有全部导入
(2) 检查Layer skipped的层是否是没有参数的层，如果跳过了带参数层，那么你一定写错了

到目前为止，一切都搞定了，tiny-yolov3的所有权重全部导入了，美好的一比，如果你这样认为，那你就打错特错了。

还有一个收尾的工作要做，这里保存的pth模型和mmdetection-mini里面的算法虽然一样，但是模型的key是不一样的，为了能够在mmdetection-mini中直接跑，你还需要替换key，对于tiny-yolov3来说，稍微比较简单，如下：

如果你想说我咋知道哪些key要替换？我的做法是：先去mmdetection-mini中把模型的所有key保存下来，然后和这里的key比对下就行了。工作虽然繁琐一些，但是还是能接受的。

到这里为止，保存的pth就可以真的在mmdetection-mini中跑起来了。美好的一比，如果你这样认为，那你又打错特错了。

1.3 第三步: 结果检查

前面都是准备工作，模型也得到了，最核心的是验证你转化的模型进行推理时候效果对不对，可以从单张图预测可视化和验证集计算mAP两个方面验证。

先对单张图进行推理，看下预测效果对不对吧。此时你可以发现，基本上啥都预测不出来。这一步才是最要命的，搞了半天，各种确认，最后发现没有效果？这个地方坑很多，我开始被坑了一天。出现这个原因的主要问题是还是对darknet框架不熟悉。下面我说下错误原因，有好几个。

(1) 模型构建顺序不能错

因为darknet里面的权重是没有开始和结尾的numpy数组，你只能自己去切割数组，这就会带来一个问题：假设原始模式是ConvBN_1+ConvBN_2,但是你在pytorch里面写成了ConvBN_2+ConvBN_1,那么上面写的整个过程都是不会报错而且是正常的，但是实际上你写错了。

例如你可以在tools/darknet/tiny-yolov3.py里面把：

self.layer0 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in layer0])
self.head0 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in head0])

顺序调换，写成：

self.head0 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in head0])
self.layer0 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in layer0])

就是这么简单，你再跑脚本，打印也是完全正确的，但是实际你错的非常严重，因为权重切割错了。

总的来说就是darkent里面的权重，保存顺序完全按照cfg从上到下的顺序，而不是网络实际运行顺序。如果你的解析顺序不正确，那么即使网络结构写对了，导入的权重也可能是错误的，因为不会报错。

(2) head模型顺序不能错
要说明这个问题，tiny-yolov3说明不了问题，需要上大模型yolov3。yolov3是典型的darknet53+fpn+head的结构，一般我们在构建模型时候，都是按照mmdetection-mini的做法来写，例如head部分我们的写法是：

这种写法本身没有问题，但是对于导入darknet权重来说就不行了，因为yolov3里面的配置是：

yolo层其实就是输出层，他的三个输出层其实不是放在最后，而是插在中间的，也就是说他的权重保存模式是backbone+卷积+输出1+fpn融合+输出2+fpn融合+输出3,而是通常的backbone+fpn+输出1+输出2+输出3。

这种结构导致我们的pytorch模型构建瞬间复杂很多，大家仔细看tools/darknet/yolov3.py里面的代码拆分非常细，原因就是如此：

self.layers1 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in layer_list1])
self.head1 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in head_1])

self.layers2 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in layer_list2])
self.head2 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in head_2])

self.layers3 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in layer_list3])
self.head3 = nn.ModuleList([nn.Sequential(layer_dict) for layer_dict in head_3])

顺序是layers1+head1+layers2+head2+layers3+head3，任何一个顺序都不能乱，否则都是错误的。

(3) concat一定要注意顺序
即使前面的你都弄好了，你依然可能出错，因为concat不管你是a+b，还是b+a，代码都不会报错，但是实际你错了，这个要非常小心，一定要执行检查，不要concat顺序反了。

我开始没有想到这个问题，在测试tiny-yolov3时候，总是发现有一层的预测是正确的，但是另一个层是错误的，当时想了很久都搞不懂，最后才想到可能是concat的问题，最后调换下顺序就好了。

这个问题出现的原因依然是没有仔细研究cfg，参数如下：

[route]
layers = -1, 8

这个就表示是将最后一层输出和第8个输出层结果进行concat，顺序是[-1,8]。

(4) tiny-yolov3里面MaxPool2d写错了

这个问题也被坑了很久，注意是因为腾讯优图里面写错了(他现在也是错误的)，我当时没有想到会错，所以一直没有怀疑这个，查了大概1天才发现，被坑的很惨。tiny-yolov3的cfg中maxpool有一个地方非常奇怪：

注意看这两个maxpool参数，第一个maxpool是标准写法，但是第二个maxpool的stride=1,而不是2，腾讯优图里面写的是：

('11_max',          nn.MaxPool2d(3, 1, 1)),

这个明显不是cfg里面的写法。对于腾讯优图复现的来说，可能影响很小，因为他根本就没有导入tiny-yolov3权重，所以改了下没有问题，但是我就不能这么搞了。正确的写法应该是：

('10_zero_pad', nn.ZeroPad2d((0, 1, 0, 1))),
('11_max', nn.MaxPool2d(2, 1)),

先pad，然后在maxpool。当时写错情况下预测现象是预测的bbox会存在偏移即预测正确，但是bbox偏掉了。我开始一直怀疑是我bbox还原代码写错了，因为解码错误也很出现Bbox偏移，最后才发现是这个参数，好惨啊！

这个坑，被坑了很久。

(5) bn和激活参数设置不一致
这个也要非常小心，一定要执行看下bn和激活函数参数设置，否则影响很大。例如LeakyReLU的激活参数是0.1,而不是默认的0.01。你最好先检查这个参数。

(6) 图片输入处理流程不一致

假设输入是416x416，其测试流程是先进行pad为正方形，然后resize,但是需要注意其resize图片是采用最近邻，而框架中是线性插值。实际测试表明差距还是比较大，会导致一些框丢失，可能darknent训练时候采用的是最近邻。

而且，我原来写的代码一直都是bgr输入，测试时候发现效果总是不太对，后来才发现darknet网络输入是rgb，且直接除以255进行归一化。

注意：我在mmdetection-mini中测试依然用的是线性插值模式，没有修改，而且数据前处理逻辑也没有完全按照darknet来做，而且沿用mmdetection的处理逻辑，如果你是用权重来微调，我认为影响很小的。

以上就是全部坑了，我踩过的坑全部记录下了，希望对大家有点帮助。下面针对各个模型说明下一些细节。

2 yolov3特殊说明

按照前面的流程可以转换darknet中的所有模型。对于yolov3而言，有些细节说明下：

2.1 __modules_recurse函数

前面说过darknet权重的最小单位是ConvBnAct,故需要通过自己递归模块，直到符合条件为止。故对于自定义模块例如HeadBody，你需要在Yolov3类开头定义custom_layers，然后在__modules_recurse递归。如果子模块里面还包括非最小模块，则内部模块也要加入，否则依然无法导入：

custom_layers = (vn_layer.Stage, vn_layer.Stage.custom_layers, vn_layer.HeadBody, vn_layer.Transition,
                 vn_layer.Head)

例如上面的Stage模块，内部还有定制模块StageBlock，那么也要加入。

如果你不加入，那么运行时候会看到很多conv层都被跳过了。

并且由于yolov3的head写法，导致在模型的key替换时候会稍微麻烦一些，这种问题只需要细心点就可以解决，不难。

对于我来说，只要搞定了tiny-yolov3和yolov3，那么其余模型都可以很快就转换成功。

3 tiny-yolov4特殊说明

在tiny-yolov4中引入了一种新的配置：

[route]
layers=-1
groups=2
group_id=1

groups=2表示将该特征图平均分成两组，group_id=1表示取第1组特征。实际上就是：

x0 = x[:, channel // 2:, ...]

其他地方就没啥要注意的了，按照cfg可视化写就行。

4 转化性能说明

对应的文档在docs/model_zoo.md中，这里写下详情。

在给出指标前，有一个地方一定要理清楚，否则各种指标你会看起来很懵。

coco数据集划分方法有两种：coco2014和coco2017，在https://cocodataset.org/#download里面有说明，大概就是

MSCOCO2014数据集：
训练集： 82783张，13.5GB， 验证集：40504张，6.6GB，共计123287张

MSCOCO2017数据集：
训练集：118287张，19.3GB，验证集： 5000张，1814.7M，共计123287张

数据集应该还是那些，但是划分原则改变了。在coco2014中验证集数据太多了，很多大佬做实验时候其实不是这样搞的，参考retinanet论文里面的说法：训练集通常都是train2014+val2014-minival2014，也就是从val2014中随机挑选5000张图片构成minival数据集，其余数据集全部当做训练集。论文中贴的指标都是test_dev2014数据，是本地生成json，然后发送给coco官方服务器得到mAP值，本地是没有label的。

基于大家通常的做法，coco官方在2017年开始也采用了这种切分方式，也就是原来是大家各种随机切分val得到minival，但是现在官方统一了minival，让大家数据完全一样，对比更加公平。故在2017年开始，划分就变成train2014+val2014-minival2014=train2017，minival2014=val2017，测试集应该没咋变。

也就是是说yolov3论文中的指标都是test_dev2014的结果，训练是train2014+val2014-minival2014。一定要注意minival2014是各自随机切分的，也就是minival2014虽然图片数和val2017一样，但是有可能val2017的数据有部分数据其实在train2014+val2014-minival2014中。

4.1 测试前置说明

(1) mmdetection中贴的指标都是在val2017上面测试的，而darknet中提供的指标都是test_dev2014上面的，不具有非常强的对比性，因为val2017可能出现在darknet的训练集中，而且val数据集一般会比test_dev简单一些

(2) mmdetection中数据处理流程还是沿用mmdetection的，而不是darknet一样的处理流程，会有点点差距，而且阈值也不太一样，但是对于最终结果不会差距很大或者说没有关系(只要证明我的代码没有问题就行)。在后面的yolov5中我进行了深入分析，可以保证处理流程完全一致，这里就暂时不写了。

4.2 yolov3指标

权重下载链接： https://github.com/AlexeyAB/darknet
对应配置： https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3.cfg
darknet(test_dev2014): 416x416 55.3% mAP@0.5 (31.0 mAP@0.5:0.95) - 66® FPS - 65.9 BFlops - 236 MB
darknet(val2017): 416x416 65.9 mAP@0.5
mmdetection(val2017): 416x416 66.8 mAP@0.5 (37.4 mAP@0.5:0.95) -248 MB
darknet(test_dev2014)是官方论文指标，而darknet(val2017)是我直接用darknet框架测试val2017数据得到的指标，而mmdetection(val2017)是mini框架转换后进行测试的指标。可以发现指标会更高一些，原因应该是后处理阈值不一样。

这里就可以完全确定代码肯定没有问题了。

4.3 yolov4

权重下载链接： https://github.com/AlexeyAB/darknet
对应配置： https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4.cfg
darknet(test_dev2014): 416x416 62.8% mAP@0.5 (41.2% AP@0.5:0.95) - 55® FPS / 96(V) FPS - 60.1 BFlops 245 MB
darknet(test_dev2014): 608x608 65.7% mAP@0.5 (43.5% AP@0.5:0.95) - 55® FPS / 96(V) FPS - 60.1 BFlops 245 MB
mmdetection(val2017): 416x416 65.7% mAP@0.5 (41.7% AP@0.5:0.95) -257. MB
mmdetection(val2017): 608x608 72.9% mAP@0.5 (48.1% AP@0.5:0.95) -257.7 MB
注意： yolov4的anchor尺寸变了，我开始没有发现导致测试mAP比较低，不同于yolov3，下载的权重是608x608训练过的,测试用了两种尺度而已

4.4 tiny-yolov3

权重下载链接： https://github.com/AlexeyAB/darknet
对应配置： https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-tiny.cfg
darknet(test_dev2014): 416x416 33.1% mAP@0.5 - 345® FPS - 5.6 BFlops - 33.7 MB
mmdetection(val2017): 416x416 36.5% mAP@0.5 -35.4 MB
注意： yolov3-tiny.cfg中最后一个[yolo]节点，mask应该是 1,2,3，而不是github里面的0,1,2

4.5 tiny-yolov4

权重下载链接： https://github.com/AlexeyAB/darknet
对应配置： https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4-tiny.cfg
darknet(test_dev2014): 416x416 40.2% mAP@0.5 - 371(1080Ti) FPS / 330(RTX2070) FPS - 6.9 BFlops - 23.1 MB
mmdetection(val2017): 416x416 37.9% mAP@0.5 (19.2 mAP@0.5:0.95) -24.3 MB
注意：更低的原因应该是该配置里面有一个scale_x_y = 1.05参数不一样，目前没有利用到,我后面会解决这个问题。

由于我的测试集是val2017，而不是test_dev2014，所以我提供的mAP会高一些，这是非常正常的。

5 总结

我提供的代码应该没有大问题，但是有些细节可能有点问题，我后面会慢慢完善。希望大家看完这篇文章能够学会：

(1) darknet的cfg可视化方式；权重存储方式
(2) 对于以后任何darknet模型，都可以仅仅用1个小时就转换到mmdetection中进行微调训练
(3) darknet训练、测试方式和mmdetection中的区别

我后面会去研究darknet的具体实现过程，争取理解的更加透彻。还有一些不完善的地方，欢迎提出改进意见。下一篇对yolov5转换过程进行深度讲解。

6 附加

其实后续我还想完成一件事情即模仿大部分pytorch复现yolo系列写法，提供一个通用的pytorch模型，可以直接加载darknet权重，输入也是cfg模式，内部自动解析cfg来构建模型。这样就可以实现两种目的:

(1) 如果想了解所有模型细节，可以按照原来的流程，先转化再导入pth权重
(2) 如果想快速将darknet模型应用到mmdetection中，而不写一行代码，那么就可以用这个通用的pytorch模型了。

但是其需要做如下工作：

(1) 这个pytorch模型要能够适应所有cfg，也就是必须实时了解darknet里面有没有新增一些骚操作，这边也要实时兼容
(2) 对于微调训练，也要支持不同输出层的权重不导入