mmdetection最小复刻版(五)：yolov5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

---

0 摘要

在前一篇文章第四篇：mmdetection最小复刻版(四)：独家yolo转化内幕中，我们已经详细分析了darknet框架训练的模型如何转化到mmdetection-mini中，这一篇文章讲解最火的yolov5如何转化到mmdetection-mini中。
这个转化就相对容易很多了，毕竟都是pytorch框架写的，但是由于他的代码比较乱，整个代码组织结构也比较乱，实在是不好用，所以我将其模型移植到mmdetection中。目前仅仅支持推理，后续会支持会模仿yolov5训练过程，支持到mmdetection-mini中。

通过本文你可以学会：
(1) yolov5整个结构的构建细节
(2) yolov5的前向推理流程
(3) 如何将yolov5模型迁移到mmdetection中

在阅读本文前，我建议你阅读我的知乎文章：进击的后浪yolov5深度可视化解析，该文对yolov5进行深入分析，包括模型设计、loss设计原则和正样本可视化等等非常详细，我相信你看完就一定能够理解yolov5了，然后在结合本文将可以了解到yolov5的每个细节。

1 yolov5简要介绍

整个yolov5可以简单概括为：通过应用类似EfficientNet的channel和layer控制因子来灵活配置不同复杂度的模型，并且在正负样本定义阶段采用了跨邻域网格的匹配策略，从而得到更多的正样本anchor，加速收敛。

yolov5的结构设计是参考yolov4来的，也是包括backbone+pan+spp+yolov3 head。在知乎文章：深入浅出Yolo系列之Yolov5核心基础知识完整讲解 中有绘制的非常好看的结构图，我从里面copy出来，方便看：

一目了然，yolov5现在已经发展到第3个版本了，其说明见链接：https://github.com/ultralytics/yolov5/releases/tag/v3.0 。相比第2版本，主要是将大部分激活函数全部换成mobilenetv3里面的nn.Hardswish()，大概在coco数据上可以提高1个点的mAP，特别是yolov5s小模型，提升很大。其余没有啥改变。不同大小模型通过depth_multiple和width_multiple两个参数控制，width_multiple是用来控制全局的通道数的，depth_multiple是用来控制BottleneckCSP模块的个数。

yolov5的模型构建仿照了darknet中采用的cfg模式，即通过配置文件来构建网络，但是考虑到darknet中的cfg文件细粒度过高，对于重新构建网络来说是很累人的，可读性比较差，本文作者借鉴了cfg思想，但是进行了适当改进即不再细分到conv+bn+act层，而最细粒度是模块，为后续模型构建、结构理解有很大好处，但是这种写法缺点是不再能直接采用第三方工具例如netron进行网络模型可视化了。

如果你看了前一篇文章，熟悉了darknet里面的cfg组织格式，那么yolov5网络构建模式应该很容易就理解了，这里就不说了。

2 yolov5转化为mmdetection

2.1 mmdetection中构建模型

首先yolov5中涉及到的几个模块都比较简单，基本上就是BottleneckCSP、Focus、SPP和卷积模块，而且本身就是pytorch写的，故我直接copy过来了。
在构建具体模型时候，为了后面简单，我也是按照配置文件格式来构建模型，例如yolov5骨架构建如下：

通过append方式构建，然后全部转化为Sequential对象。

按照规范的结构拆分原则，此处应该有neck模块，用于存放pan+spp模块，但是作者直接放置在head部分了，所以我也暂时按照他的写法构建，后面可能会更改。
head部分的代码构建也是类似，如下所示：

就是这么简单就把模型构造好了。

还有一个细节：pytorch1.6内部自带了nn.Hardswish()和nn.Identity()算子，而pytorch1.3是没有的，所以为了兼容，我重写了这两个类，效果是一样的，但是可能效率不如原生的。

2.2 yolov5模型转化

(1) 自动下载权重
要转化的前提应该是下载权重，你可以自己去官方地址下载，当然也可以去浏览器上下载，作者写的attempt_download函数可以自动下载权重。
下载后你可以发现权重长这样：

(2) 模型转换为pytorch1.3可读权重
作为对比，yolov3的后缀是pth，但是yolov5s是pt，这是因为yolov5采用的pytorch版本是1.6，其采用全新的存储方式，你如果采用pytorch1.3读取是会报错的，必须也是pytorch1.6及其以上才行。

还有一个比较坑的，作者存储的模型里面包括了模型对象，而不仅仅是状态字典，即使你采用pytorch1.6读取权重，但是一旦你读取的代码不是放在yolov5对应的工程路径下也是会报错的，内部会报pickle对象无法Load的错误。

所以你只能把我写的tools/darknet/convert_yolov5_weights_step1.py代码放在yolov5路径下运行，为了后面mmdetection能采用pytorch1.3进行读取，需要采用：

torch.save(data, save_name, _use_new_zipfile_serialization=False)
方式保存，这样就可以向前兼容了。

注意：yolov5训练好的pt文件里面存储了大量有用信息，而不仅仅是权重，包括anchor等等信息。为啥要保存呢？因为yolov5代码中有自动计算anchor和参数搜索的操作，如果他不保存起来，那么程序停止后就没有了，只保存状态字典无法在前向时候使用。这是一个不错的方式，即使代码修改了，参数也不会丢。

(3) 转化权重
前面说了模型为啥要采用append的模式构建，是为了这一个步骤方便。因为yolov5里面是按照顺序解析配置，然后转化为Sequential的，其状态字典中各层参数名称是按照0,1,2…这种方式存储的。如果我不也这样写，那么我的权重转化过程会比较累，这样做可以节省一些工作量。如果他后续模型改了，我这边改动也不大。
转换脚本在tools/darknet/convert_yolov5_weights_step2.py中，其需要输入前面转换得到的pytorch1.3模型。并且需要注意key和anchor这些字段，我们是不要的，如下所示：

到这里为止就完成了所有模型方面的转化，m/l/x模型也是一样的流程。

2.3 mmdetection新增bbox解码函数

看过yolov5解析的朋友，应该知道yolov5的编解码方式和其余yolo系列不一样，因为其跨网格预测了，故新增了mmdet/det_core/bbox/coder/yolov5_bbox_coder.py编解码类，其解码过程为：

注意中心点预测范围变了，不是0-1，而是-0.5到1.5，wh预测也改变了，没有exp操作，而仅仅是尺度缩放了而已。作为对比，yolov3是如下：

到这里就全部完成了。下面就是测试下代码对不对了。

2.4 模型验证

第一次运行就能成功也是奇怪了，也蛮心酸的，一个人慢慢检查喽。

(1) 中心点还原代码没写对
在第一次写中心点解码时候写法是：

x_center_pred = (pred_bboxes[..., 0]*2 - 0.5) * stride + x_center
y_center_pred = (pred_bboxes[..., 1]*2 - 0.5) * stride + y_center

预测现象就是中心点预测完全不对劲，总感觉偏掉了。后面仔细思考，发现2不能乘到里面，而是外面。因为mmdetection中yolo生成的anchor其实是有0.5的偏移的，而不是0的，此时预测的中心点是正确的，但是还是有错误。

(2) 有一个anchor写错了参数
这个低级错误花费我一个下午才发现。前面说明yolov5权重里面会保存anchor的，我把anchor打印了然后复制过来，我靠，居然没有发现正好中间的一个anchor的w写错了，我检查了几遍都没有发现，尴尬啊！
我来说下如何找出的吧！当其中一个anchor写错的时候，现象是有些bbox预测是正确的，而有些是错误的。我当时首先就怀疑是不是我的bbox解码过程写错了，思考了很久都感觉没有错误。又看了一遍模型代码也没有问题，为了确定bbox解码过程是否正确，我彻底抛弃了mmdetection里面的anchor，而是采用yolo系列中常规的解码方式，类似v5中如下所示：

所以我重写了一个yolov5_bbox_coder.py,仿照上述写法来进行解码，结果发现改完了测试效果一模一样，我真实疯了，说明问题根本就不在解码这部分。
既然找不出问题，那就只能采用终结大招了。我把mmdetection-mini中的yolov5模型不包括解码部分移植到yolov5工程中，然后把他的模型代码替换为我自己的，类似于如下所示：

这样就可以保存输入、解码过程完全一致。接下来我要做的就是选中一张图片，分别运行yolov5模型和我的模型，保存各层输出tensor，然后比对数值是否完全相同，如果有哪一层不一样，那就说明这一层代码写错了。
结果发现居然所有层tensor完全相同，除了最后的bbox预测不一样外，此时我就知道模型肯定没有错误，问题在最后的解码层。然后仔细检查发现不一样的解码输出就是在某一层而已，其余层相同，那么所有问题肯定就是anchor了，然后我再看一眼才发现把：

(116, 90), (156, 198), (373, 326)
写成了：

(116, 90), (90, 198), (373, 326)
使出了我的终结大招才解决问题，心累啊，如果当时有个人帮我检查下anchor，就没有这个问题了。说句题外话：通过这些模型转换过程，我总结学到的最多就是如何找出Bug，如何解决一个看起来很难解决的Bug,不管你是啥bug，我总有办法解决你，虽然有些办法有点笨。有好几次我都快放弃了，然后突然又想到一种调试方法，然后接着干，最终就解决了。

(3) 其余细节
BN的两个参数不是默认值，而是

self.bn = nn.BatchNorm2d(2 * c_, eps=0.001, momentum=0.01)

虽然对推理没有啥影响，但是还是需要知道。

(4) 图片处理逻辑不一样
到这里就可以测试了。以yolov5为例，下载608x608训练的权重，采用yolov5s测试val2017，配置参数如下：

    yolov5参数： conf_thres=0.001 iou_thres=0.65  
    mmdetection: 
       test_cfg = dict(
            nms_pre=1000,
            min_bbox_size=0,
            score_thr=0.05,
            conf_thr=0.001,
            nms=dict(type='nms', iou_thr=0.65),
            max_per_img=100)

结果如下：

orig yolov5s: 37.0@mAP0.5…0.9 56.2@mAP0.
mmdetection: 36.0@mAP0.5…0.9 56.3@mAP0.5
发现居然少了一个点,这你可以忍？

我首先猜测原因可能有：

1. 我实现的nn.Hardswish()效果不一样
2. 图片处理逻辑不一样

首先我在yolov5中把官方的写的hardswish替换，发现mAP一样，说明不是这个问题。那可能就是第2个问题了，然后我去研究了下yolov5的前向处理逻辑。

我选择bus.jpg这张图片进行单张图片测试来验证的。也就是利用这张图片分别在mmdetection(image_demo.py)和yolov5(detect.py)中运行一遍，保存预测结果，看下是否相同。由于前处理逻辑不一样，所以虽然预测的框差不多，但是其实score值不一样，这说明前处理逻辑确实不一样。

在yolov5的detect.py中采用的是letterbox方式对图片进行处理，其逻辑为：

计算缩放比例，假设input_shape = (181, 110, 3)，输出shape=201，先计算缩放比例1.11和1.9,选择小比例。这个是常规操作，保证缩放后最长边不超过设定值
计算pad像素，前面resize后会变成(201,122,3)，理论上应该pad=(0,79)，但是内部采用最小pad原则，设置最多不能pad超过64像素故对79采用取模操作，变成79%64=15，然后对15进行/2，然后左右pad即可
和常说的letterbox操作稍微有点区别，一般的letterbox操作输出都是通过pad操作变成正方形的。早期yolov5也是变成正方形进行推理，后来在xxx中提出了矩形推理方式也就是上面的做法，输出是矩形，而不是正方形，在推理阶段可以加快速度。最小pad原则的目的是加快推理时间，细节可以参考https://github.com/ultralytics/yolov3/issues/232

第一行是常规的正方形padding，第二行是上面介绍的最小pad原则得到的矩形图片。

然而在mmdetection中采用的是Resize函数，其是直接保持长宽比进行resize，没有pad操作，效果应该说类似吧。注意letterbox和mmdetection中的Resize函数输出都不一定是指定size，也就是说即使你指定608x608，计算完成后也不一样的是608x608输出。目前mmdetection中也集成了letterbox操作。

基于这个设定，我也对mmdetection的推理流程进行修改，采用了letterbox模式，配置如下：

在采用demo/image_demo.py脚本进行运行，同样的bus.jpg图片，运行结果可视化，可以发现和yolov5完全一样了。说明推理时候确实如此，如下所示(左边是yolov5结果，右边是转化后mmdetection-mini结果)：

当我满怀欢喜，将这个改动应用于test(对应mmdetecion中的test.py和yolov5中的test.py)，重新测试mAP时候，发现居然没有啥变化，说明其实LetterResize和Resize应用于val2017没啥区别。

然后我再次审视了配置文件，发现yolov5里面没有score_thr这个参数，在mmdetection中这个参数的作用是应用conf_thr，然后应用score_thr参数删除预测对应类别的score小于预测的bbox，最后才是nms操作。但是yolov5中没有score_thr这个步骤，这会导致yolov5预测的框超级多，但是对mAP计算有利

我于是把这个参数值设置的超级小，相当于没有再次测试，如下所示：

test_cfg = dict(
    nms_pre=1000,
    min_bbox_size=0,
    score_thr=0.0000001,
    conf_thr=0.001,
    nms=dict(type='nms', iou_thr=0.6),
    max_per_img=300)

这个配置就是和yolov5里面完全相同了。mAP再次测试结果如下：

orig yolov5s: 37.0@mAP0.5…0.9 56.2@mAP0.
mmdetection: 36.6@mAP0.5…0.9 56.6@mAP0.5
此时可以发现mAP就没有差那么多了，但是还差了0.4个点。现在的差距就又要说到letterresize函数了，因为我在单张图片测试时候明显预测值完全相同，理论上mAP肯定是完全相同，现在居然不一样，说明哪里还是有不同？我检查了下yolov3的测试逻辑和单张图推理逻辑的区别，发现差别在于dataset。

后来检查发现：yolov5中letterresize虽然是用了，但是其输入shape是自适应的，其保证了训练和测试的数据处理逻辑一样(除了mosaic逻辑外)，也就是说yolov5测试模式下，每个batch内部shape是一样的，但是不同batch之间的shape是不一样的，这会造成最终结果有差异。虽然他是指定的608x608进行推理，但是其内部还是相当于有个基于当前数据集进行自适应操作。而在detertor代码里面，是直接调用letterresize，而输入shape是指定的，所以才会出现在对某一张图进行demo测试时候，结果完全相同但是test代码时候mAP不一致。

总结来说，yolov5采用dataloader进行测试时候，实际上是有自适应的，虽然你设置的是608x608的输入，其流程是：

遍历所有验证集图片的shape，保存起来
开启Rectangular模式，对所有shape按照h/w比例从小到大排序
计算所有验证集，一共可以构成多少个batch，然后对前面排序后的shape进行连续截取操作，并且考虑h/w大于1和小于1的场景，因为h/w不同，pad的方向也不同，保存每个batch内部的shape比例都差不多
将每个batch内部的shape值转化为指定的图片大小比例，例如打算网络预测最大不超过608，那么所有shape都要不大于608
对batch内部图片进行letterbox操作，测试或者训练时候，不开启minimum rectangle操作,也就是输出shape一定等于指定的shape。这样可以保证每个batch内部输出的图片shape完全相同
而mmdetection中test时候实现的逻辑是：

将每张图片LetterResize到640x640(输出不一定是640x640)
将图片shape pad到32的整数倍，右下pad
在collate函数中将一个batch内部的图片全部右下pad到当前batch最大的w和h，变成相同shape
可以看出yolov5这种设置会更好一点，应该就是这个差异导致的mAP不一样，后面我把这个策略应用到mmdetection中。