第 7 / 30 课。 前置:上一课。本篇的运行范围以实验说明和验证记录为准,构造样例不代表真实任务精度或板端性能。
三个角色不等于三个固定文件
Backbone 把图片变为多层特征;Neck 整合来自不同层的表示;Head 根据任务产生分类、位置或掩码输出。某些网络把这些角色混在同一模块中,读代码时应按数据作用识别,而不是只看类名。
本课构建五个 stride=2 的卷积 stage,输入 [1,3,128,128]。取第三、四、五层作为 C3、C4、C5,步长分别为 8、16、32,形状是 [1,32,16,16]、[1,64,8,8]、[1,128,4,4]。这里 C3 的编号是教学命名,不保证与所有网络一致。
一个特征格子不是一个像素
stride=8 表示相邻输出格在输入坐标中相距约 8 像素,不代表每个格只看 8×8 区域。感受野取决于整个前序网络。把小目标缩到不足几个像素后,后续上采样不能凭空恢复被丢弃的细节。
高分辨率层通常保留更多空间位置,深层通常整合更大范围的信息。多尺度检测利用这种互补,但也增加内存和后处理候选数。
运行与检查
脚本记录三层输出,并用反向传播检查三层都接入计算图。不要把“梯度存在”写成“学到了有效特征”,后者必须用任务数据评价。
动手任务
输入改为 130×130,手算每次 padding=1、kernel=3、stride=2 的尺寸。结果按向上取整逐层变化,不一定严格等于 H/8、H/16、H/32。后续融合使用目标尺寸插值,避免默认乘二造成拼接失败。
交付一张层名、通道、步长、空间大小、元素数表;若显存不足,先找哪些特征被同时保留,而不是只看模型文件大小。
配套实验与运行记录
实验:Backbone、Neck、Head 与多尺度特征
查看完整代码:main.py
"""从不同步长的特征图理解检测网络的分工与小目标信息。"""
import torch
from torch import nn
class Backbone(nn.Module):
def __init__(self):
super().__init__()
channels = [3, 8, 16, 32, 64, 128]
self.stages = nn.ModuleList(
[
nn.Sequential(nn.Conv2d(a, b, 3, 2, 1), nn.ReLU())
for a, b in zip(channels, channels[1:])
]
)
def forward(self, x):
result = []
for i, stage in enumerate(self.stages):
x = stage(x)
if i >= 2:
result.append(x)
return result
def main():
torch.manual_seed(7)
torch.set_num_threads(2)
net = Backbone()
for size in [128, 130]:
net.zero_grad()
features = net(torch.randn(1, 3, size, size))
sum(y.square().mean() for y in features).backward()
assert all(p.grad is not None for p in net.parameters())
print("input", size, [(list(y.shape), y.numel()) for y in features])
assert [y.shape[-1] for y in features] == [17, 9, 5]
if __name__ == "__main__":
main()
在项目根目录执行;下载包解压后,在解压目录执行 python3 main.py。
cd 'content/posts/AI-深度学习/嵌入式视觉模型进阶/07-Backbone、Neck、Head 与多尺度特征/code' && python3 main.py
在本篇代码目录执行 python3 main.py。依赖安装、可选入口见包内 README.md;实际运行结果见 verification.md。下载包包含本课使用的辅助模块与样例。
参考与进一步阅读
原始论文或官方文档用于核对结构、接口和适用范围。本篇代码是围绕教学目标编写的最小实验;除明确注明的完整入口外,不视为对应论文模型的完整复现。