YOLO，即You Only Look Once（你只看一次）的缩写，是一个基于卷积神经网络（CNN）的物体检测算法。而YOLO v3是YOLO的第3个版本（即YOLO、YOLO 9000、YOLO v3），检测效果，更准更强。

更多细节，可以参考YOLO的官网。

YOLO是一句美国的俗语，You Only Live Once，人生苦短，及时行乐。

本文介绍YOLO v3算法的实现细节，Keras框架。这是第1篇，训练。当然还有第2篇，至第n篇，毕竟，这是一个完整版：）

本文的GitHub源码：https://github.com/SpikeKing/keras-yolo3-detection

已更新：

欢迎关注，微信公众号 深度算法 （ID: DeepAlgorithm），了解更多深度技术！！

1. 参数

模型的训练参数，5个参数：

(1) 已标注框的图片数据集，格式如下：

图片的位置 框的4个坐标和1个类别ID(xmin,ymin,xmax,ymax,label_id) ...
dataset/image.jpg 788,351,832,426,0 805,208,855,270,0

(2) 标注框类别的汇总，即数据集所标注物体的全部类别列表，如下：

aeroplane
bicycle
bird
...

(3) 预训练模型，用于迁移学习（Transfer Learning）中的微调（Fine Tune），可选YOLO v3已训练完成的COCO模型权重，即：

pretrained_path = 'model_data/yolo_weights.h5'

(4) 预测特征图（Prediction Feature Map）的anchor框（anchor box）集合：

3个尺度（scale）的特征图，每个特征图3个anchor框，共9个框，从小到大排列；
1~3是大尺度（52x52）特征图所使用的，4~6是中尺度（26x26），7~9是小尺度（13x13）；
大尺度特征图检测小物体，小尺度检测大物体；
9个anchor来源于边界框（Bounding Box）的K-Means聚类。

其中，COCO的anchors，如下：

10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326

(5) 图片输入尺寸，默认为416x416。

图片尺寸满足32的倍数，在DarkNet网络中，含有5次步长为2的降采样卷积（32=2^5）。降采样卷积的实现如下：

x = DarknetConv2D_BN_Leaky(num_filters, (3, 3), strides=(2, 2))(x)

在最底层时，特征图尺寸需要满足为奇数，如13，以保证中心点落在唯一框中。如果为偶数时，则中心点落在中心的4个框中，导致歧义。

2. 创建模型

创建YOLOv3的网络模型，输入：

input_shape：图片尺寸；
anchors：9个anchor box；
num_classes：类别数；
freeze_body：冻结模式，1是冻结DarkNet53的层，2是冻结全部只保留最后3层；
weights_path：预训练模型的权重。

实现：

model = create_model(input_shape, anchors, num_classes,
                     freeze_body=2,
                     weights_path=pretrained_path)

其中，网络的最后3层：

3个1x1的卷积层（代替全连接层），用于将3个尺度的特征图，转换为3个尺度的预测值。

实现：

out_filters = num_anchors * (num_classes + 5)
// ...
DarknetConv2D(out_filters, (1, 1))

即：

conv2d_59 (Conv2D)      (None, 13, 13, 18)   18450       leaky_re_lu_58[0][0]    
conv2d_67 (Conv2D)      (None, 26, 26, 18)   9234        leaky_re_lu_65[0][0]    
conv2d_75 (Conv2D)      (None, 52, 52, 18)   4626        leaky_re_lu_72[0][0]

3. 样本数量

样本洗牌（shuffle），将数据集拆分为10份，训练9份，验证1份。

实现：

val_split = 0.1  # 训练和验证的比例
with open(annotation_path) as f:
    lines = f.readlines()
np.random.seed(47)
np.random.shuffle(lines)
np.random.seed(None)
num_val = int(len(lines) * val_split)  # 验证集数量
num_train = len(lines) - num_val  # 训练集数量

4. 第1阶段训练

第1阶段，冻结部分网络，只训练底层权重。

优化器使用常见的Adam；
损失函数，直接使用，模型的输出y_pred，忽略真值y_true；

实现：

model.compile(optimizer=Adam(lr=1e-3), loss={
    # 使用定制的 yolo_loss Lambda层
    'yolo_loss': lambda y_true, y_pred: y_pred})  # 损失函数

其中，损失函数yolo_loss，以及y_true和y_pred：

把y_true当成一个输入，构成多输入模型，把loss写成层（Lambda层），作为最后的输出。这样，构建模型的时候，就只需要将模型的输出（output）定义为loss即可。而编译（compile）的时候，直接将loss设置为y_pred，因为模型的输出就是loss，即y_pred就是loss，因而无视y_true。训练的时候，随便添加一个符合形状的y_true数组即可。

关于Python的Lambda表达式：

f = lambda y_true, y_pred: y_pred
print(f(1, 2))  # 输出2

模型fit数据，使用数据生成包装器（data_generator_wrapper），按批次生成训练和验证数据。最终，模型model存储权重。实现如下：

batch_size = 32  # batch
model.fit_generator(data_generator_wrapper(lines[:num_train], batch_size, input_shape, anchors, num_classes),
                    steps_per_epoch=max(1, num_train // batch_size),
                    validation_data=data_generator_wrapper(
                        lines[num_train:], batch_size, input_shape, anchors, num_classes),
                    validation_steps=max(1, num_val // batch_size),
                    epochs=50,
                    initial_epoch=0,
                    callbacks=[logging, checkpoint])
# 存储最终的去权重，再训练过程中，也通过回调存储
model.save_weights(log_dir + 'trained_weights_stage_1.h5')

在训练过程中，也会存储epoch完成的模型权重，其中，只存储权重（save_weights_only），只存储最优结果（save_best_only），每隔3个epoch存储一次（period），即：

checkpoint = ModelCheckpoint(log_dir + 'ep{epoch:03d}-loss{loss:.3f}-val_loss{val_loss:.3f}.h5',
                             monitor='val_loss', save_weights_only=True,
                             save_best_only=True, period=3)  # 只存储weights权重

5. 第2阶段训练

第2阶段，使用第1阶段已训练的网络权重，继续训练：

将全部的权重都设置为可训练，而第1阶段则是冻结（freeze）部分权重；
优化器，仍是Adam，只是学习率（lr）有所下降，从1e-3减少至1e-4，细腻地学习最优权重；
损失函数，仍是只使用y_pred，忽略y_true。

实现：

for i in range(len(model.layers)):
    model.layers[i].trainable = True

model.compile(optimizer=Adam(lr=1e-4),
              loss={'yolo_loss': lambda y_true, y_pred: y_pred})

第2阶段的模型fit数据，与第1阶段类似，从第50个epoch开始，一直训练到第100个epoch，触发条件，则提前终止。额外增加了两个回调reduce_lr和early_stopping，用于控制训练提取终止：

reduce_lr：当评价指标不在提升时，减少学习率，每次减少10%（factor），当验证损失3次未减少（patience）时，则终止训练。
early_stopping：验证集准确率，连续增加小于0（min_delta）时，持续10个epoch（patience），则终止训练。

实现：

reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3, verbose=1)  # 当评价指标不在提升时，减少学习率
early_stopping = EarlyStopping(monitor='val_loss', min_delta=0, patience=10, verbose=1)  # 验证集准确率，下降前终止

batch_size = 32
model.fit_generator(data_generator_wrapper(lines[:num_train], batch_size, input_shape, anchors, num_classes),
                    steps_per_epoch=max(1, num_train // batch_size),
                    validation_data=data_generator_wrapper(lines[num_train:], batch_size, input_shape, anchors,
                                                           num_classes),
                    validation_steps=max(1, num_val // batch_size),
                    epochs=100,
                    initial_epoch=50,
                    callbacks=[logging, checkpoint, reduce_lr, early_stopping])
model.save_weights(log_dir + 'trained_weights_final.h5')

至此，在第2阶段训练完成之后，输出的网络权重，就是最终的模型权重。

补1. K-Means

K-Means算法是聚类算法，将一组数据划分为多个组（group），每个组都含有一个中心。

YOLOv3，获取数据集中全部的anchor box，通过K-Means算法，将这些框聚类为9类，获取9个聚类中心，面积从小到大排列，作为9个anchor box。

模拟K-Means算法：

创建测试点，X是数据，y是标签，如X:(300,2), y:(300,)；
将数据聚类为9类；
输入数据X，训练；
预测X的类别，为y_kmeans；
使用scatter绘制散点图，颜色范围是viridis；
获取聚类中心cluster_centers_，以黑色（black）点表示；

源码：

import matplotlib.pyplot as plt
import seaborn as sns
sns.set()  # for plot styling
from sklearn.cluster import KMeans
from sklearn.datasets.samples_generator import make_blobs


def test_of_k_means():
    # 创建测试点，X是数据，y是标签，X:(300,2), y:(300,)
    X, y_true = make_blobs(n_samples=300, centers=9, cluster_std=0.60, random_state=0)
    kmeans = KMeans(n_clusters=9)  # 将数据聚类
    kmeans.fit(X)  # 数据X
    y_kmeans = kmeans.predict(X)  # 预测

    # 颜色范围viridis: https://matplotlib.org/examples/color/colormaps_reference.html
    plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=20, cmap='viridis')  # c是颜色，s是大小

    centers = kmeans.cluster_centers_  # 聚类的中心
    plt.scatter(centers[:, 0], centers[:, 1], c='black', s=40, alpha=0.5)  # 中心点为黑色

    plt.show()  # 展示


if __name__ == '__main__':
    test_of_k_means()

输出：

补2. EarlyStopping

EarlyStopping是Callback（回调类）的子类，Callback用于指定在每个阶段开始和结束的时候执行的操作。在Callback中，有一些已经实现的简单子类，如acc、val_acc、loss和val_loss等，还有一些复杂子类，如ModelCheckpoint（用于存储模型权重）和TensorBoard（用于画图）等。

Callback的回调接口，如下：

def on_epoch_begin(self, epoch, logs=None):
def on_epoch_end(self, epoch, logs=None):
def on_batch_begin(self, batch, logs=None):
def on_batch_end(self, batch, logs=None):
def on_train_begin(self, logs=None):
def on_train_end(self, logs=None):

EarlyStopping是用于提前停止训练的Callback子类。具体地，当训练或验证集中的loss不再减小，即减小的程度小于某个阈值时，则会停止训练。这样做，可以提高调参效率，避免浪费资源。

在model的fit数据中，以列表形式设置callbacks回调，支持设置多个Callback，如：

callbacks=[logging, checkpoint, reduce_lr, early_stopping]

EarlyStopping的参数：

monitor：监控数据的类型，支持acc、val_acc、loss、val_loss等；
min_delta：停止的阈值，与mode参数配合，增加或下降最少的阈值；
mode：min是最少，max是最多，auto是自动，与min_delta配合；
patience：达到阈值之后，能够容忍的epoch数，避免停止在抖动中；
verbose：日志的繁杂程度，值越大，输出的信息越多。

min_delta和patience需要相互配合，避免模型停止在抖动过程中，在设置的时候，需要相互协调。min_delta降低，patience减少；min_delta增加，则patience增加。

实例：

early_stopping = EarlyStopping(monitor='val_loss', min_delta=0, patience=10, verbose=1)

OK, that's all! Enjoy it!

欢迎关注，微信公众号 深度算法 （ID: DeepAlgorithm），了解更多深度技术！