Qiita Teams that are logged in
You are not logged in to any team

Log in to Qiita Team
Community
OrganizationEventAdvent CalendarQiitadon (β)
Service
Qiita JobsQiita ZineQiita Blog
59
Help us understand the problem. What are the problem?

posted at

updated at

Organization

【SSD(物体検出)】の実装コードを整理してみました

本書は、【SSD(物体検出)】の予測時のコード【keras】がどのように実装されているのか説明します。 SSDモデルをより深く理解するのに役立てばと思います。

今回参照したコードは、下記のGitHUBのコードです。


実際に動かす際に必要となる環境準備は下記のサイトを参考にしてください。

※筆者が所属するNPO法人の勉強用にメモしたものですので、誤りや不足、加筆修正すべきことろがありましたらご指摘ください。継続してブラッシュアップしていきます。
また、SSDモデルの解説をQiitaに投稿していますので合わせてご参照ください。

©NPO法人AI開発推進協会

0.全体の処理イメージ

全体の処理イメージは図1のようになります。

image.png
image.png
image.png
【図1】 全体処理イメージ

以下、コードを表示しながら順に説明します。

1.検出クラスの定義

摘出するクラスは以下のように定義されています。

ssd.ipynb
voc_classes = ['Aeroplane', 'Bicycle', 'Bird', 'Boat', 'Bottle',
               'Bus', 'Car', 'Cat', 'Chair', 'Cow', 'Diningtable',
               'Dog', 'Horse', 'Motorbike', 'Person', 'Pottedplant',
               'Sheep', 'Sofa', 'Train', 'Tvmonitor']

NUM_CLASSES = 21

デフォルトの矩形(BBOX)数は、本コードでは以下の数になっています。
38×38×3、19×19×6、10×10×6、5×5×6、3×3×6、1×1×6 = 7308個

算出は、ssd_layers.pyの以下のコードで算出しています。

ssd_layers.py
111    def get_output_shape_for(self, input_shape):
112        num_priors_ = len(self.aspect_ratios)
113        layer_width = input_shape[self.waxis]
114        layer_height = input_shape[self.haxis]
115        num_boxes = num_priors_</color> * layer_width * layer_height
116        return (input_shape[0], num_boxes, 8)

ここで、num_priors_は、ネットワーク定義(ssd.py)のPriorで指定した「aspect_ratios」からPriorクラス初期化時に算出しています。
※SSDのネットワークモデルはssd.pyに記載されています。

ssd.py
152    priorbox = PriorBox(img_size, 30.0, aspect_ratios=[2],
152                        variances=[0.1, 0.1, 0.2, 0.2],
154                        name='conv4_3_norm_mbox_priorbox')

・・・

171    priorbox = PriorBox(img_size, 60.0, max_size=114.0, aspect_ratios=[2, 3],
172                        variances=[0.1, 0.1, 0.2, 0.2],
173                        name='fc7_mbox_priorbox')

・・・

具体的には、aspect_ratios=[2]であれば、デフォルトで作る「1」と指定したリスト値である「2」および「2」をflipさせた「0.5」の3つになります(その他「2, 3」の指定がありますが、このときmaxsizeを指定しているとデフォルトの「1」に加え、「1」をさらに追加するので、「1, 1, 2, 3, 0.5, 0.333」の6つになります)。

2.モデルの生成

モデルの生成は、ssd.ipynbで実施しています。
またモデルの生成後に、学習済み重みのロードを実施しいてます。

ssd.ipynb
input_shape=(300, 300, 3)
model = SSD300(input_shape, num_classes=NUM_CLASSES)
model.load_weights('weights_SSD300.hdf5', by_name=True)

3.入力画像の読み込み

ssd.ipynbでは下記のように入力するPASCAL VOC2007の画像を1枚づつ指定しています。

ssd.ipynb
inputs = []
images = []
img_path = './pics/fish-bike.jpg'
img = image.load_img(img_path, target_size=(300, 300))
img = image.img_to_array(img)
images.append(imread(img_path))
inputs.append(img.copy())
・・・

ランダムに画像を抽出したい場合は、上記コードを下記のように置き換えれば可能です。

sample_code.py
import random
import pickle
image_meta_file = ./path/VOC2007.P  #VOC2007.Pのファイル情報
gt = pickle.load(open(image_meta_file, 'rb'))
keys = sorted(gt.keys())
imgs = random.sample(keys, n)  # nはランダムに入力する画像枚数を指定

for img_name in imgs:
    img_path = path_prefix + img_name
    images.append(imread(img_path))
    img = image.load_img(img_path, target_size=(300, 300))
    img = image.img_to_array(img)
    inputs.append(img.copy())

4.予測(prediction)

次にいよいよ予測に入ります。
下記のコードで予測を実施しています。

ssd.ipynb
preds = model.predict(inputs, batch_size=1, verbose=1)

返却されるpredsは、図1に記載のとおりです。
ここではinputsされた画像枚数分を一括して処理しています。また、全矩形(7308)×全クラス(21)を予測した結果が返却されます。

5.予測結果から物体を検出

先ほどの「preds」をssd_util.py/BBoxUtilityクラスのdetection_out()に渡して物体検出の各種処理を行います。

ssd.ipynb
from ssd_utils import BBoxUtility
・・・
results = bbox_util.detection_out(preds)

具体的には以下の流れになります。
まずは矩形処理を行うdecode_boxes()を呼び出します。以降の①~③はこのdecode_boxes()で行われます。

ssd_util.py(detection_out)
211    decode_bbox = self.decode_boxes(mbox_loc[i],
212                      mbox_priorbox[i], variances[i])

①priorboxの情報から各BBOXの中心位置、幅、高さを算出

ssd_util.py(decode_boxes)
164    prior_width = mbox_priorbox[:, 2] - mbox_priorbox[:, 0]
165    prior_height = mbox_priorbox[:, 3] - mbox_priorbox[:, 1]
166    prior_center_x = 0.5 * (mbox_priorbox[:, 2] + mbox_priorbox[:, 0])
167    prior_center_y = 0.5 * (mbox_priorbox[:, 3] + mbox_priorbox[:, 1])

②検出したバウンデックスボックスのオフセット値とVariance値から矩形情報(中心位置、幅、高さ)の計算

ssd_util.py(decode_boxes)
168    decode_bbox_center_x = mbox_loc[:, 0] * prior_width * variances[:, 0]
169    decode_bbox_center_x += prior_center_x
170    decode_bbox_center_y = mbox_loc[:, 1] * prior_width * variances[:, 1]
171    decode_bbox_center_y += prior_center_y
172    decode_bbox_width = np.exp(mbox_loc[:, 2] * variances[:, 2])
173    decode_bbox_width *= prior_width
174    decode_bbox_height = np.exp(mbox_loc[:, 3] * variances[:, 3])
175    decode_bbox_height *= prior_height

③②の計算結果から矩形の左上、右下の座標を計算

ssd_util.py(decode_boxes)
176    decode_bbox_xmin = decode_bbox_center_x - 0.5 * decode_bbox_width
177    decode_bbox_ymin = decode_bbox_center_y - 0.5 * decode_bbox_height
178    decode_bbox_xmax = decode_bbox_center_x + 0.5 * decode_bbox_width
179    decode_bbox_ymax = decode_bbox_center_y + 0.5 * decode_bbox_height

④クラスconfの処理

続いて予測したクラスのスコア値(conf)を用いて、最終的に使う矩形を選択します。

  • 予測したクラスから背景を除き、スコア値がしきい値以上のものを抽出します。  ここでのしきい値は最終的に選択する矩形ではなく、あくまでも処理対象とするスコア値となります(デフォルト値 0.01)。
ssd_util.py(detection_out)
214    if c == background_label_id:
215        continue
216    c_confs = mbox_conf[i, :, c]
217    c_confs_m = c_confs > confidence_threshold

さらにNNS(Non Maxinum Suppresion)により重なって抽出された矩形でスコア値が低いものは除外します。 
NMSは、Tensorflowのライブラリィ(tf.image.non_max_suppression)を使って処理されます。

ssd_util.py(detection_out)
218    if len(c_confs[c_confs_m]) > 0:
219        boxes_to_process = decode_bbox[c_confs_m]
220        confs_to_process = c_confs[c_confs_m]
221        feed_dict = {self.boxes: boxes_to_process,
222                     self.scores: confs_to_process}
223        idx = self.sess.run(self.nms, feed_dict=feed_dict) #★NMS実行
224        good_boxes = boxes_to_process[idx]   #矩形の絞り込み
225        confs = confs_to_process[idx][:, None] 
226        labels = c * np.ones((len(idx), 1))  
  • results(返却値)に追加
    resulutsレコードにクラス単位で処理した結果を追加していきます。
ssd_util.py(detection_out)
227    c_pred = np.concatenate((labels, confs, good_boxes),
228                             axis=1)
229    results[-1].extend(c_pred)
  • 上記をすべてのクラスで実施し、スコア値が高い順にソートしてresultsを返却します。  このときresults[-1][:keep_top_k]にあるようにクラスのスコア値が上位K個のみ抽出します(top-k-filterring)。
ssd_util.py(detection_out)
230        if len(results[-1]) > 0:
231            results[-1] = np.array(results[-1])
232            argsort = np.argsort(results[-1][:, 1])[::-1]
233            results[-1] = results[-1][argsort]
234            results[-1] = results[-1][:keep_top_k]
235     return results

6.しきい値を超えたスコアのもの絞り込む

ssd.ipynbに戻り、detection_out()から返却されたresultsを参照し、最終的に描画する矩形を選択します。
下記の例では「0.6」以上のスコアに絞っています。

ssd.ipynb
for i, img in enumerate(images):
    # Parse the outputs.
    det_label = results[i][:, 0]
・・・
    # Get detections with confidence higher than 0.6.
    top_indices = [i for i, conf in enumerate(det_conf) if conf >= 0.6]

    top_conf = det_conf[top_indices]
・・・

7.元の画像に矩形と予測したクラスのラベルとスコア値を描画

最後に、元の画像に検出した矩形と、クラスのラベルとそのスコア値を左上に描画して終了になります。

ssd.ipynb
  for i in range(top_conf.shape[0]):
        xmin = int(round(top_xmin[i] * img.shape[1]))
        ymin = int(round(top_ymin[i] * img.shape[0]))
        xmax = int(round(top_xmax[i] * img.shape[1]))
        ymax = int(round(top_ymax[i] * img.shape[0]))
        score = top_conf[i]
        label = int(top_label_indices[i])
        label_name = voc_classes[label - 1]
        display_txt = '{:0.2f}, {}'.format(score, label_name)
        coords = (xmin, ymin), xmax-xmin+1, ymax-ymin+1
        color = colors[label]
        currentAxis.add_patch(plt.Rectangle(*coords, fill=False, 
            edgecolor=color, linewidth=2))
        currentAxis.text(xmin, ymin, display_txt, bbox={'facecolor':color, 
          'alpha':0.5})

    plt.show()

結果は、こんな感じです。
ssd_cat.png
【図2】 SSD出力イメージ(例)

おわりに

いかがでしたでしょうか? 実装されているコードは想定よりシンプルだったのではと思います。SSDでの物体検出はPCでも十分に動くと思いますので(さすがに学習は厳しいですが、筆者はMacbook上のWindows10(Parallels Desktop)でも問題なく動きます)、実際に動かしてみてはいかがでしょうか。

本書がSSDがコード上でどう実装されているのかお役に立てれば幸いです。

Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
59
Help us understand the problem. What are the problem?