yolo_box

paddle.fluid.layers.yolo_box(x, img_size, anchors, class_num, conf_thresh, downsample_ratio, name=None)[源代码]

该运算符基于YOLOv3网络的输出结果,生成YOLO检测框。

连接 yolo_box 网络的输出形状应为[N,C,H,W],其中 H 和 W 相同,用来指定网格大小。对每个网格点预测给定的数目的框,这个数目记为 S ,由 anchor 的数量指定。 在第二维(通道维度)中,C应该等于S *(5 + class_num),class_num是源数据集中对象类别数目(例如coco数据集中的80),此外第二个(通道)维度中还有4个框位置坐标x,y,w,h,以及anchor box的one-hot key的置信度得分。

假设4个位置坐标是 \(t_x\)\(t_y\)\(t_w\)\(t_h\) ,则框的预测算法为:

\[\begin{split}b_x &= \sigma(t_x) + c_x\\ b_y &= \sigma(t_y) + c_y\\ b_w &= p_w e^{t_w}\\ b_h &= p_h e^{t_h}\\\end{split}\]

在上面的等式中, \(c_x\)\(c_x\) 是当前网格的左上角顶点坐标。 \(p_w\)\(p_h\) 由anchors指定。

每个anchor预测框的第五通道的逻辑回归值表示每个预测框的置信度得分,并且每个anchor预测框的最后class_num通道的逻辑回归值表示分类得分。 应忽略置信度低于conf_thresh的框。另外,框最终得分是置信度得分和分类得分的乘积。

\[score_{pred} = score_{conf} * score_{class}\]
参数:
  • x (Variable) - YoloBox的输入张量是一个4-D张量,形状为[N,C,H,W]。第二维(C)存储每个anchor box位置坐标,每个anchor box的置信度分数和one hot key。通常,X应该是YOLOv3网络的输出。数据类型为float32或float64
  • img_size (Variable) - YoloBox的图像大小张量,这是一个形状为[N,2]的二维张量。该张量保持每个输入图像的高度和宽度,用于对输出图像按输入图像比例调整输出框的大小。数据类型为int32。
  • anchors (list | tuple) - anchor的宽度和高度,它将逐对解析
  • class_num (int) - 要预测的类数
  • conf_thresh (float) - 检测框的置信度得分阈值。置信度得分低于阈值的框应该被忽略
  • downsample_ratio (int) - 从网络输入到YoloBox操作输入的下采样率,因此应依次为第一个,第二个和第三个YoloBox运算设置该值为32,16,8
  • name (str|None) – 具体用法请参见 cn_api_guide_Name ,一般无需设置,默认值为None。
返回:
  1. 框的坐标,形为[N,M,4]的三维张量
  2. 框的分类得分, 形为 [N,M,class_num]的三维张量

返回类型: 变量(Variable)

抛出异常:
  • TypeError - yolov_box的输入x必须是Variable
  • TypeError - yolo框的anchors参数必须是list或tuple
  • TypeError - yolo box的class_num参数必须是整数
  • TypeError - yolo框的conf_thresh参数必须是一个浮点数

代码示例

import paddle.fluid as fluid
x = fluid.layers.data(name='x', shape=[255, 13, 13], dtype='float32')
img_size = fluid.layers.data(name='img_size',shape=[2],dtype='int64')
anchors = [10, 13, 16, 30, 33, 23]
boxes, scores = fluid.layers.yolo_box(x=x, img_size=img_size, class_num=80, anchors=anchors,
                                conf_thresh=0.01, downsample_ratio=32)