从编程实现角度学习 Faster R-CNN（附极简实现）


本文原载于知乎专栏「人工智障的深度瞎学之路」

Faster R-CNN 的极简实现： github: simple-faster-rcnn-pytorch（http://t.cn/RHCDoPv ）

本文插图地址（含五幅高清矢量图）：draw.io（http://t.cn/RQzroe3 ）

  1 概述

在目标检测领域, Faster R-CNN 表现出了极强的生命力, 虽然是 2015 年的论文（https://arxiv.org/abs/1506.01497），但它至今仍是许多目标检测算法的基础，这在日新月异的深度学习领域十分难得。Faster R-CNN 还被应用到更多的领域中, 比如人体关键点检测、目标追踪、 实例分割还有图像描述等。

现在很多优秀的 Faster R-CNN 博客大都是针对论文讲解，本文将尝试从编程角度讲解 Faster R-CNN 的实现。由于 Faster R-CNN 流程复杂，符号较多，容易混淆，本文以 VGG16 为例，所有插图、数值皆是基于 VGG16+VOC2007 。

1.1 目标

从编程实现角度角度来讲, 以 Faster R-CNN 为代表的 Object Detection 任务，可以描述成:

给定一张图片, 找出图中的有哪些对象, 以及这些对象的位置和置信概率。

目标检测任务

1.2 整体架构

Faster R-CNN 的整体流程如下图所示。


Faster R-CNN 整体架构

从编程角度来说， Faster R-CNN 主要分为四部分（图中四个绿色框）：

  • Dataset：数据，提供符合要求的数据格式（目前常用数据集是 VOC 和 COCO）

  • Extractor： 利用 CNN 提取图片特征features（原始论文用的是 ZF 和 VGG16，后来人们又用 ResNet101）

  • RPN(Region Proposal Network): 负责提供候选区域rois（每张图给出大概 2000 个候选框）

  • RoIHead： 负责对rois分类和微调。对 RPN 找出的rois，判断它是否包含目标，并修正框的位置和座标

Faster R-CNN 整体的流程可以分为三步：

  • 提特征： 图片（img）经过预训练的网络（Extractor），提取到了图片的特征（feature）

  • Region Proposal： 利用提取的特征（feature），经过 RPN 网络，找出一定数量的rois（region of interests）。

  • 分类与回归：将rois和图像特征features，输入到RoIHead，对这些rois进行分类，判断都属于什么类别，同时对这些rois的位置进行微调。

  2 详细实现

2.1 数据

对与每张图片，需要进行如下数据处理：

  • 图片进行缩放，使得长边小于等于 1000，短边小于等于 600（至少有一个等于）。

  • 对相应的 bounding boxes 也也进行同等尺度的缩放。

  • 对于 Caffe 的 VGG16 预训练模型，需要图片位于 0-255，BGR 格式，并减去一个均值，使得图片像素的均值为 0。

最后返回四个值供模型训练：

  • images ： 3×H×W ，BGR 三通道，宽 W，高 H

  • bboxes： 4×K , K 个 bounding boxes，每个 bounding box 的左上角和右下角的座标，形如（Y_min,X_min, Y_max,X_max）, 第 Y 行，第 X 列。

  • labels：K， 对应 K 个 bounding boxes 的 label（对于 VOC 取值范围为 [0-19]）

  • scale: 缩放的倍数, 原图 H'×W'被 resize 到了 HxW（scale=H/H' ）

需要注意的是，目前大多数 Faster R-CNN 实现都只支持 batch-size=1 的训练（http://t.cn/RQzdbYt 和http://t.cn/R5vaVPi 实现支持 batch_size>1）。

2.2 Extractor

Extractor 使用的是预训练好的模型提取图片的特征。论文中主要使用的是 Caffe 的预训练模型 VGG16。修改如下图所示：为了节省显存，前四层卷积层的学习率设为 0。Conv4_3 的输出作为图片特征（feature）。conv4_3 相比于输入，下采样了 16 倍，也就是说输入的图片尺寸为 3×H×W，那么feature的尺寸就是 C×(H/16)×(W/16)。VGG 最后的三层全连接层的前两层，一般用来初始化 RoIHead 的部分参数，这个我们稍后再讲。总之，一张图片，经过 extractor 之后，会得到一个 C×(H/16)×(W/16) 的 feature map。


Extractor: VGG16

2.3 RPN

Faster R-CNN 最突出的贡献就在于提出了 Region Proposal Network（RPN）代替了 Selective Search，从而将候选区域提取的时间开销几乎降为 0（2s -> 0.01s）。

2.3.1 Anchor

在 RPN 中，作者提出了anchor。Anchor 是大小和尺寸固定的候选框。论文中用到的 anchor 有三种尺寸和三种比例，如下图所示，三种尺寸分别是小（蓝 128）中（红 256）大（绿 512），三个比例分别是 1:1，1:2，2:1。3×3 的组合总共有 9 种 anchor。



然后用这 9 种 anchor 在特征图（feature）左右上下移动，每一个特征图上的点都有 9 个 anchor，最终生成了 (H/16)× (W/16)×9 个anchor. 对于一个 512×62×37 的 feature map，有 62×37×9~ 20000 个 anchor。 也就是对一张图片，有 20000 个左右的 anchor。这种做法很像是暴力穷举，20000 多个 anchor，哪怕是蒙也能够把绝大多数的 ground truth bounding boxes 蒙中。

2.3.2 训练 RPN

RPN 的总体架构如下图所示：


RPN 架构

anchor 的数量和 feature map 相关，不同的 feature map 对应的 anchor 数量也不一样。RPN 在Extractor输出的 feature maps 的基础之上，先增加了一个卷积（用来语义空间转换？），然后利用两个 1x1 的卷积分别进行二分类（是否为正样本）和位置回归。进行分类的卷积核通道数为 9×2（9 个 anchor，每个 anchor 二分类，使用交叉熵损失），进行回归的卷积核通道数为 9×4（9 个 anchor，每个 anchor 有 4 个位置参数）。RPN 是一个全卷积网络（fully convolutional network），这样对输入图片的尺寸就没有要求了。

接下来 RPN 做的事情就是利用（AnchorTargetCreator）将 20000 多个候选的 anchor 选出 256 个 anchor 进行分类和回归位置。选择过程如下：

  • 对于每一个 ground truth bounding box (gt_bbox)，选择和它重叠度（IoU）最高的一个 anchor 作为正样本

  • 对于剩下的 anchor，从中选择和任意一个gt_bbox重叠度超过 0.7 的 anchor，作为正样本，正样本的数目不超过 128 个。

  • 随机选择和gt_bbox重叠度小于 0.3 的 anchor 作为负样本。负样本和正样本的总数为 256。

对于每个 anchor, gt_label 要么为 1（前景），要么为 0（背景），而 gt_loc 则是由 4 个位置参数 (tx,ty,tw,th) 组成，这样比直接回归座标更好。


计算分类损失用的是交叉熵损失，而计算回归损失用的是 Smooth_l1_loss. 在计算回归损失的时候，只计算正样本（前景）的损失，不计算负样本的位置损失。

2.3.3 RPN 生成 RoIs

RPN 在自身训练的同时，还会提供 RoIs（region of interests）给 Fast RCNN（RoIHead）作为训练样本。RPN 生成 RoIs 的过程 (ProposalCreator) 如下：

  • 对于每张图片，利用它的 feature map， 计算 (H/16)× (W/16)×9（大概 20000）个 anchor 属于前景的概率，以及对应的位置参数。

  • 选取概率较大的 12000 个 anchor

  • 利用回归的位置参数，修正这 12000 个 anchor 的位置，得到 RoIs

  • 利用非极大值（(Non-maximum suppression, NMS）抑制，选出概率最大的 2000 个 RoIs

注意：在 inference 的时候，为了提高处理速度，12000 和 2000 分别变为 6000 和 300.

注意：这部分的操作不需要进行反向传播，因此可以利用 numpy/tensor 实现。

RPN 的输出：RoIs（形如 2000×4 或者 300×4 的 tensor）

2.4 RoIHead/Fast R-CNN

RPN 只是给出了 2000 个候选框，RoI Head 在给出的 2000 候选框之上继续进行分类和位置参数的回归。

2.4.1 网络结构

RoIHead 网络结构

由于 RoIs 给出的 2000 个候选框，分别对应 feature map 不同大小的区域。首先利用ProposalTargetCreator 挑选出 128 个 sample_rois, 然后使用了 RoIPooling 将这些不同尺寸的区域全部 pooling 到同一个尺度（7×7）上。下图就是一个例子，对于 feature map 上两个不同尺度的 RoI，经过 RoIPooling 之后，最后得到了 3×3 的 feature map.


RoIPooling

RoI Pooling 是一种特殊的 Pooling 操作，给定一张图片的 Feature map (512×H/16×W/16) ，和 128 个候选区域的座标（128×4），RoI Pooling 将这些区域统一下采样到 （512×7×7），就得到了 128×512×7×7 的向量。可以看成是一个 batch-size=128，通道数为 512，7×7 的 feature map。

为什么要 pooling 成 7×7 的尺度？是为了能够共享权重。在之前讲过，除了用到 VGG 前几层的卷积之外，最后的全连接层也可以继续利用。当所有的 RoIs 都被 pooling 成（512×7×7）的 feature map 后，将它 reshape 成一个一维的向量，就可以利用 VGG16 预训练的权重，初始化前两层全连接。最后再接两个全连接层，分别是：

  • FC 21 用来分类，预测 RoIs 属于哪个类别（20 个类 + 背景）

  • FC 84 用来回归位置（21 个类，每个类都有 4 个位置参数）

2.4.2 训练

前面讲过，RPN 会产生大约 2000 个 RoIs，这 2000 个 RoIs 不是都拿去训练，而是利用ProposalTargetCreator 选择 128 个 RoIs 用以训练。选择的规则如下：

  • RoIs 和 gt_bboxes 的 IoU 大于 0.5 的，选择一些（比如 32 个）

  • 选择 RoIs 和 gt_bboxes 的 IoU 小于等于 0（或者 0.1）的选择一些（比如 128-32=96 个）作为负样本

为了便于训练，对选择出的 128 个 RoIs，还对他们的gt_roi_loc 进行标准化处理（减去均值除以标准差）

对于分类问题, 直接利用交叉熵损失. 而对于位置的回归损失, 一样采用 Smooth_L1Loss, 只不过只对正样本计算损失. 而且是只对正样本中的这个类别 4 个参数计算损失。举例来说:

  • 一个 RoI 在经过 FC 84 后会输出一个 84 维的 loc 向量. 如果这个 RoI 是负样本, 则这 84 维向量不参与计算 L1_Loss

  • 如果这个 RoI 是正样本, 属于 label K, 那么它的第 K×4, K×4+1 ，K×4+2， K×4+3 这 4 个数参与计算损失，其余的不参与计算损失。

2.4.3 生成预测结果

测试的时候对所有的 RoIs（大概 300 个左右) 计算概率，并利用位置参数调整预测候选框的位置。然后再用一遍极大值抑制（之前在 RPN 的ProposalCreator用过）。

注意：

  • 在 RPN 的时候，已经对 anchor 做了一遍 NMS，在 RCNN 测试的时候，还要再做一遍

  • 在 RPN 的时候，已经对 anchor 的位置做了回归调整，在 RCNN 阶段还要对 RoI 再做一遍

  • 在 RPN 阶段分类是二分类，而 Fast RCNN 阶段是 21 分类

2.5 模型架构图

最后整体的模型架构图如下：

整体网络结构

需要注意的是： 蓝色箭头的线代表着计算图，梯度反向传播会经过。而红色部分的线不需要进行反向传播（论文了中提到了ProposalCreator生成 RoIs 的过程也能进行反向传播，但需要专门的算法，https://arxiv.org/abs/1512.04412）。

  3 概念对比

在 Faster RCNN 中有几个概念，容易混淆，或者具有较强的相似性。在此我列出来并做对比，希望对你理解有帮助。

3.1 bbox anchor RoI loc

BBox：全称是 bounding box，边界框。其中 Ground Truth Bounding Box 是每一张图中人工标注的框的位置。一张图中有几个目标，就有几个框 (一般小于 10 个框)。Faster R-CNN 的预测结果也可以叫 bounding box，不过一般叫 Predict Bounding Box.

Anchor：锚？是人为选定的具有一定尺度、比例的框。一个 feature map 的锚的数目有上万个（比如 20000）。

RoI：region of interest，候选框。Faster R-CNN 之前传统的做法是利用 selective search 从一张图上大概 2000 个候选框框。现在利用 RPN 可以从上万的 anchor 中找出一定数目更有可能的候选框。在训练 RCNN 的时候，这个数目是 2000，在测试推理阶段，这个数目是 300（为了速度）我个人实验发现 RPN 生成更多的 RoI 能得到更高的 mAP。

RoI 不是单纯的从 anchor 中选取一些出来作为候选框，它还会利用回归位置参数，微调 anchor 的形状和位置。

可以这么理解：在 RPN 阶段，先穷举生成千上万个 anchor，然后利用 Ground Truth Bounding Boxes，训练这些 anchor，而后从 anchor 中找出一定数目的候选区域（RoIs）。RoIs 在下一阶段用来训练 RoIHead，最后生成 Predict Bounding Boxes。

loc： bbox，anchor 和 RoI，本质上都是一个框，可以用四个数（y_min, x_min, y_max, x_max）表示框的位置，即左上角的座标和右下角的座标。这里之所以先写 y，再写 x 是为了数组索引方便，但也需要千万注意不要弄混了。 我在实现的时候，没注意，导致输入到 RoIPooling 的座标不对，浪费了好长时间。除了用这四个数表示一个座标之外，还可以用（y，x，h，w）表示，即框的中心座标和长宽。在训练中进行位置回归的时候，用的是后一种的表示。

3.2 四类损失

虽然原始论文中用的4-Step Alternating Training 即四步交替迭代训练。然而现在 github 上开源的实现大多是采用近似联合训练（Approximate joint training），端到端，一步到位，速度更快。

在训练 Faster RCNN 的时候有四个损失：

  • RPN 分类损失：anchor 是否为前景（二分类）

  • RPN 位置回归损失：anchor 位置微调

  • RoI 分类损失：RoI 所属类别（21 分类，多了一个类作为背景）

  • RoI 位置回归损失：继续对 RoI 位置微调

四个损失相加作为最后的损失，反向传播，更新参数。

3.3 三个 creator

在一开始阅读源码的时候，我常常把 Faster RCNN 中用到的三个Creator弄混。

  • AnchorTargetCreator ： 负责在训练 RPN 的时候，从上万个 anchor 中选择一些 (比如 256) 进行训练，以使得正负样本比例大概是 1:1. 同时给出训练的位置参数目标。 即返回gt_rpn_loc和gt_rpn_label。

  • ProposalTargetCreator： 负责在训练 RoIHead/Fast R-CNN 的时候，从 RoIs 选择一部分 (比如 128 个) 用以训练。同时给定训练目标, 返回（sample_RoI, gt_RoI_loc, gt_RoI_label）

  • ProposalCreator： 在 RPN 中，从上万个 anchor 中，选择一定数目（2000 或者 300），调整大小和位置，生成 RoIs，用以 Fast R-CNN 训练或者测试。

其中AnchorTargetCreator和ProposalTargetCreator是为了生成训练的目标，只在训练阶段用到，ProposalCreator是 RPN 为 Fast R-CNN 生成 RoIs，在训练和测试阶段都会用到。三个共同点在于他们都不需要考虑反向传播（因此不同框架间可以共享 numpy 实现）

3.4 感受野与 scale

从直观上讲，感受野（receptive field）就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。我的理解是，feature map 上的某一点f对应输入图片中的一个区域，这个区域中的点发生变化，f可能随之变化。而这个区域外的其它点不论如何改变，f的值都不会受之影响。VGG16 的 conv4_3 的感受野为 228，即 feature map 上每一个点，都包含了原图一个 228×228 区域的信息。

Scale：输入图片的尺寸比上 feature map 的尺寸。比如输入图片是 3×224×224，feature map 是 512×14×14，那么 scale 就是 14/224=1/16。可以认为 feature map 中一个点对应输入图片的 16 个像素。由于相邻的同尺寸、同比例的 anchor 是在 feature map 上的距离是一个点，对应到输入图片中就是 16 个像素。在一定程度上可以认为 anchor 的精度为 16 个像素。不过还需要考虑原图相比于输入图片又做过缩放（这也是 dataset 返回的scale参数的作用，这个的scale指的是原图和输入图片的缩放尺度，和上面的 scale 不一样）。

  4 实现方案

其实上半年好几次都要用到 Faster R-CNN，但是每回看到各种上万行，几万行代码，简直无从下手。而且直到 罗若天大神（http://t.cn/RQzgAxb ）的 ruotianluo/pytorch-faster-rcnn（http://t.cn/RQzgGEo ）之前，PyTorch 的 Faster R-CNN 并未有合格的实现（速度和精度）。最早 PyTorch 实现的 Faster R-CNN 有 longcw/faster_rcnn_pytorch（http://t.cn/RJzfpuS ）和 fmassa/fast_rcn（http://t.cn/RQzgJFy ） 后者是当之无愧的最简实现（1,245 行代码，包括空行注释，纯 Python 实现），然而速度太慢，效果较差，fmassa 最后也放弃了这个项目。前者又太过复杂，mAP 也比论文中差一点（0.661VS 0.699）。当前 github 上的大多数实现都是基于py-faster-rcnn，RBG 大神的代码很健壮，考虑的很全面，支持很丰富，基本上 git clone 下来，准备一下数据模型就能直接跑起来。然而对我来说太过复杂，我的脑细胞比较少，上百个文件，动不动就好几层的嵌套封装，很容易令人头大。

趁着最近时间充裕了一些，我决定从头撸一个，刚开始写没多久，就发现 chainercv（http://t.cn/RN2kZoJ ） 内置了 Faster R-CNN 的实现，而且 Faster R-CNN 中用到的许多函数（比如对 bbox 的各种操作计算），chainercv 都提供了内置支持 (其实 py-faster-rcnn 也有封装好的函数，但是 chainercv 的文档写的太详细了！)。所以大多数函数都是直接 copy&paste，把 chainer 的代码改成 pytorch/numpy，增加了一些可视化代码等。不过 cupy 的内容并没有改成 THTensor。因为 cupy 现在已经是一个独立的包，感觉比 cffi 好用（虽然我并不会 C....）。

  总结

最终写了一个简单版本的 Faster R-CNN，代码地址在 github：simple-faster-rcnn-pytorch（http://t.cn/RHCDoPv ）

这个实现主要有以下几个特点：

  • 代码简单：除去空行，注释，说明等，大概有 2000 行左右代码，如果想学习如何实现 Faster R-CNN，这是个不错的参考。

  • 效果够好：超过论文中的指标（论文 mAP 是 69.9， 本程序利用 caffe 版本 VGG16 最低能达到 0.70，最高能达到 0.712，预训练的模型在 github 中提供链接可以下载）

  • 速度足够快：TITAN Xp 上最快只要 3 小时左右（关闭验证与可视化）就能完成训练

  • 显存占用较小：3G 左右的显存占用

^_^

这个项目其实写代码没花太多时间，大多数时间花在调试上。有报错的 bug 都很容易解决，最怕的是逻辑 bug，只能一句句检查，或者在 ipdb 中一步一步的执行，看输出是否和预期一样，还不一定找得出来。不过通过一步步执行，感觉对 Faster R-CNN 的细节理解也更深了。

写完这个代码，也算是基本掌握了 Faster R-CNN。在写代码中踩了许多坑，也学到了很多，其中几个收获 / 教训是：

  • 在复现别人的代码的时候，不要自作聪明做什么 “改进”，先严格的按照论文或者官方代码实现（比如把 SGD 优化器换成 Adam，基本训不动，后来调了一下发现要把学习率降 10 倍，但是效果依旧远不如 SGD）。

  • 不要偷懒，尽可能的 “Match Everything”。由于 torchvision 中有预训练好的 VGG16，而 caffe 预训练 VGG 要求输入图片像素在 0-255 之间（torchvision 是 0-1），BGR 格式的，标准化只减均值，不除以标准差，看起来有点别扭（总之就是要多写几十行代码 + 专门下载模型）。然后我就用 torchvision 的预训练模型初始化，最后用了一大堆的 trick，各种手动调参，才把 mAP 调到 0.7（正常跑，不调参的话大概在 0.692 附近）。某天晚上抱着试试的心态，睡前把 VGG 的模型改成 caffe 的，第二天早上起来一看轻轻松松 0.705 ...

  • 有个小 trick：把别人用其它框架训练好的模型权重转换成自己框架的，然后计算在验证集的分数，如果分数相差无几，那么说明，相关的代码没有 bug，就不用花太多时间检查这部分代码了。

  • 认真。那几天常常一连几个小时盯着屏幕，眼睛疼，很多单词敲错了没发现，有些报错了很容易发现，但是有些就。。。 比如计算分数的代码就写错了一个单词。然后我自己看模型的泛化效果不错，但就是分数特别低，我还把模型训练部分的代码又过了好几遍。。。

  • 纸上得来终觉浅, 绝知此事要 coding。

  • 当初要是再仔细读一读 最近一点微小的工作（http://t.cn/RQzgn7p ）和 ruotianluo/pytorch-faster-rcnn（http://t.cn/RQzgGEo ）的 readme，能少踩不少坑。

P.S. 在 github 上搜索 faster rcnn，感觉有一半以上都是华人写的。

最后，求 Star github: simple-faster-rcnn-pytorch（http://t.cn/RHCDoPv ）