最近在研究Darknet源码，这篇主要分享一下yolo层中forward_yolo_layer函数的源码。
前言
神经网络是由很多层叠加起来的，Darknet也不例外。Darknet中的每一层都有make_xxx_layer，forward_xxx_layer和backward_xxx_layer，分别表示构建这一层，这一层的正向传播和反向传播（对于有可学参数的层，还有update_xxx_layer，表示更新权重）。对于yolo层来说，make_yolo_layer就是分配空间，参数赋值等，而backward_yolo_layer就是把当前层产生的delta复制一下，都比较简单。最复杂的还是forward_yolo_layer。这里我参考了解析1、解析2两篇关于forward_yolo_layer的解析，讲解的都很棒，通俗易懂，大家也可以参考来看看。但由于时间比较久远了，yolo层iou_thresh这个参数又有一些新东西，所以这篇文章说一下自己的理解。
forward_yolo_layer
进入forward_yolo_layer函数，一上来先对x，y，obj进行LOGISTIC激活
for (b = 0; b < l.batch; ++b)
{
for (n = 0; n < l.n; ++n)
{
int bbox_index = entry_index(l, b, n*l.w*l.h, 0);
if (l.new_coords)
{
}
else //除了w,h都用LOGISTIC激活
{
activate_array(l.output + bbox_index, 2 * l.w*l.h, LOGISTIC); // x,y,
int obj_index = entry_index(l, b, n*l.w*l.h, 4);
activate_array(l.output + obj_index, (1 + l.classes)*l.w*l.h, LOGISTIC); //obj class
}
scal_add_cpu(2 * l.w*l.h, l.scale_x_y, -0.5*(l.scale_x_y - 1), l.output + bbox_index, 1); // scale x,y
}
}
这里new_coords是一个比较新的参数，用于yolov4csp、yolov4xmish等比较新的网络（详情），据说是在conv层激活了，所以这里什么都不做。
scale_x_y表示中心点预测的范围扩大倍数（详情），扩大后有利于预测中心处于网格边界上的目标。
和老版Darknet不同的是，forward_yolo_layer里没有直接处理，而是调用了process_batch进行处理，不过意思是一样的，下面重点分析一下process_batch的实现。
process_batch
第一部分：处理每个bbox位置上的各种loss和delta
//第一部分：处理每个bbox位置上的各种loss和delta
//这一部分是遍历所有bbox，把每一个bbox与所有gt匹配，找到iou最大的，是由bbox出发找gt的过程
for (j = 0; j < l.h; ++j)
{
for (i = 0; i < l.w; ++i)
{
for (n = 0; n < l.n; ++n)
{
const int class_index = entry_index(l, b, n * l.w * l.h + j * l.w + i, 5);
const int obj_index = entry_index(l, b, n * l.w * l.h + j * l.w + i, 4);
const int box_index = entry_index(l, b, n * l.w * l.h + j * l.w + i, 0);
const int stride = l.w * l.h;
box pred = get_yolo_box(l.output, l.biases, l.mask[n], box_index, i, j, l.w, l.h, state.net.w, state.net.h, l.w * l.h, l.new_coords);
float best_match_iou = 0;
int best_match_t = 0;
float best_iou = 0;
int best_t = 0;
for (t = 0; t < l.max_boxes; ++t)//遍历所有gt，无论中心是不是在这个gird
{
box truth = float_to_box_stride(state.truth + t * l.truth_size + b * l.truths, 1);
if (!truth.x) break; //无gt
int class_id = state.truth[t * l.truth_size + b * l.truths + 4];//gt的类别
if (class_id >= l.classes || class_id < 0)
{
printf("\n Warning: in txt-labels class_id=%d >= classes=%d in cfg-file. In txt-labels class_id should be [from 0 to %d] \n", class_id, l.classes, l.classes - 1);
printf("\n truth.x = %f, truth.y = %f, truth.w = %f, truth.h = %f, class_id = %d \n", truth.x, truth.y, truth.w, truth.h, class_id);
if (check_mistakes) getchar();
continue; // if label contains class_id more than number of classes in the cfg-file and class_id check garbage value
}
float objectness = l.output[obj_index];
if (isnan(objectness) || isinf(objectness)) l.output[obj_index] = 0;
int class_id_match = compare_yolo_class(l.output, l.classes, class_index, l.w * l.h, objectness, class_id, 0.25f);
float iou = box_iou(pred, truth);
if (iou > best_match_iou && class_id_match == 1)
{
best_match_iou = iou; //best_match_iou是与gt最大的iou且认为这个bbox至少有一个类
best_match_t = t;
}
if (iou > best_iou)
{
best_iou = iou;//best_iou只是与gt最大的iou
best_t = t;
}
}
//下面开始计算delta
avg_anyobj += l.output[obj_index];
l.delta[obj_index] = l.obj_normalizer * (0 - l.output[obj_index]);
//如果没有gt，上面循环不执行，best_match_iou和best_iou为0，下面也不执行，视为负样本，只产生objloss
if (best_match_iou > l.ignore_thresh)//如果iou超过ignore_thresh且对应一个类，delta清零，认为这是一个合法的目标
{
if (l.objectness_smooth)
{
const float delta_obj = l.obj_normalizer * (best_match_iou - l.output[obj_index]);
if (delta_obj > l.delta[obj_index]) l.delta[obj_index] = delta_obj;
}
else l.delta[obj_index] = 0;
}
//adversarial相关代码省略
//一般cfg里truth_thresh为1，也就是说这里的delta_yolo_class和delta_yolo_box没调用过
//如果这里小于1，相当于即使中心点没有落在gt所在gird但只要iou超过truth_thresh，那这个bbox也负责预测gt
//结果是gt所在grid附近的gird都会预测这个gt，容易产生多重预测，但似乎也会被nms掉，所以感觉没啥用
if (best_iou > l.truth_thresh)
{
const float iou_multiplier = best_iou * best_iou;// (best_iou - l.truth_thresh) / (1.0 - l.truth_thresh);
if (l.objectness_smooth) l.delta[obj_index] = l.obj_normalizer * (iou_multiplier - l.output[obj_index]);
else l.delta[obj_index] = l.obj_normalizer * (1 - l.output[obj_index]);
int class_id = state.truth[best_t * l.truth_size + b * l.truths + 4];
if (l.map) class_id = l.map[class_id];
delta_yolo_class(l.output, l.delta, class_index, class_id, l.classes, l.w * l.h, 0, l.focal_loss, l.label_smooth_eps, l.classes_multipliers, l.cls_normalizer);
const float class_multiplier = (l.classes_multipliers) ? l.classes_multipliers[class_id] : 1.0f;
if (l.objectness_smooth) l.delta[class_index + stride * class_id] = class_multiplier * (iou_multiplier - l.output[class_index + stride * class_id]);
box truth = float_to_box_stride(state.truth + best_t * l.truth_size + b * l.truths, 1);
delta_yolo_box(truth, l.output, l.biases, l.mask[n], box_index, i, j, l.w, l.h, state.net.w, state.net.h, l.delta, (2 - truth.w * truth.h), l.w * l.h, l.iou_normalizer * class_multiplier, l.iou_loss, 1, l.max_delta, state.net.rewritten_bbox, l.new_coords);
(*state.net.total_bbox)++;
}
}
}
}
//第一部分结束，至此只产生了obj delta（假设truth_thresh=1）
//对于无gt的bbox，这里的delta已经是最终delta了，而对于有gt的grid或bbox，到这里计算的delta没用，因为第二部分会用新值覆盖
对于长w宽h的yolo层，一共w*h个grid，每个grid预测n个bbox。对于每一个bbox，先取出其class_index、obj_index、box_index（这些index的取法与yolo层output的格式有关，详情见上面解析1，非常详细）。然后遍历所有gt（最大gt数为max_boxes，但一般都没有这么多，读到truth.x==0说明没有gt了），找到与bbox iou最大的gt best_t 和iou最大且类别匹配的gt best_match_t。到这里准备工作完成，下面开始计算delta了。
先把delta赋值为obj_normalizer * (0 - output[obj_index])，obj_normalizer为obj delta的系数，0为gt（这里先默认gt的obj为0，即没有目标），output[obj_index]为对应bbox的obj。这里细心的朋友应该能发现，正确的delta应该是预测-真值，这里正好相反。因为Darknet中的delta存的都是-delta，update存的也是相反数，而更新权重时是加上学习率×update。根据iou大小分三种情况讨论：
1.iou很小或为0
当做负样本，后面两个if不执行，只有obj delta，就是上面计算得到的（objectness_smooth忽略）。
2.iou>ignore_thresh
当做可行目标，不产生delta。当然其实只有这个bbox不负责预测gt，或者说gt中心点没有落在这个bbox时才是真正的obj delta=0，否则第二部分中会重新对该bbox的obj delta赋值。
3.iou>truth_thresh
当做正样本，产生三种delta，注意这里不需要类别相同，反正要去学习真正的类别（yolov3、yolov4等网络中truth_thresh为1，即没用这块代码）。
第二部分：处理每一个gt，分配最佳anchor，更新loss和delta
//第二部分：处理每一个gt，分配最佳anchor，更新loss和delta
//这部分是从gt出发，找到gt所在grid的几个bbox，并把gt分配给最大iou的bbox，如果开启了iou_thresh（<1），那么这个grid中所有bbox都预测gt
for (t = 0; t < l.max_boxes; ++t)
{
box truth = float_to_box_stride(state.truth + t * l.truth_size + b * l.truths, 1);
if (!truth.x) break; // continue;
if (truth.x < 0 || truth.y < 0 || truth.x > 1 || truth.y > 1 || truth.w < 0 || truth.h < 0)
{
char buff[256];
printf(" Wrong label: truth.x = %f, truth.y = %f, truth.w = %f, truth.h = %f \n", truth.x, truth.y, truth.w, truth.h);
sprintf(buff, "echo \"Wrong label: truth.x = %f, truth.y = %f, truth.w = %f, truth.h = %f\" >> bad_label.list",
truth.x, truth.y, truth.w, truth.h);
system(buff);
}
int class_id = state.truth[t * l.truth_size + b * l.truths + 4];
if (class_id >= l.classes || class_id < 0) continue; // if label contains class_id more than number of classes in the cfg-file and class_id check garbage value
float best_iou = 0;
int best_n = 0;
i = (truth.x * l.w);
j = (truth.y * l.h);
box truth_shift = truth;
truth_shift.x = truth_shift.y = 0;
for (n = 0; n < l.total; ++n)
{
box pred = { 0 };
pred.w = l.biases[2 * n] / state.net.w;
pred.h = l.biases[2 * n + 1] / state.net.h;
float iou = box_iou(pred, truth_shift);
if (iou > best_iou)
{
best_iou = iou;
best_n = n;//第best_n个anchor iou最大
}
}
int mask_n = int_index(l.mask, best_n, l.n);
if (mask_n >= 0)//如果best_n这个anchor不在这个yolo层，不处理
{
int class_id = state.truth[t * l.truth_size + b * l.truths + 4];
if (l.map) class_id = l.map[class_id];
int box_index = entry_index(l, b, mask_n * l.w * l.h + j * l.w + i, 0);
const float class_multiplier = (l.classes_multipliers) ? l.classes_multipliers[class_id] : 1.0f;
//坐标delta
ious all_ious = delta_yolo_box(truth, l.output, l.biases, best_n, box_index, i, j, l.w, l.h, state.net.w, state.net.h, l.delta, (2 - truth.w * truth.h), l.w * l.h, l.iou_normalizer * class_multiplier, l.iou_loss, 1, l.max_delta, state.net.rewritten_bbox, l.new_coords);
(*state.net.total_bbox)++;
const int truth_in_index = t * l.truth_size + b * l.truths + 5;
const int track_id = state.truth[truth_in_index];
const int truth_out_index = b * l.n * l.w * l.h + mask_n * l.w * l.h + j * l.w + i;
l.labels[truth_out_index] = track_id;
l.class_ids[truth_out_index] = class_id;
// range is 0 <= 1
args->tot_iou += all_ious.iou;
args->tot_iou_loss += 1 - all_ious.iou;
// range is -1 <= giou <= 1
tot_giou += all_ious.giou;
args->tot_giou_loss += 1 - all_ious.giou;
tot_diou += all_ious.diou;
tot_diou_loss += 1 - all_ious.diou;
tot_ciou += all_ious.ciou;
tot_ciou_loss += 1 - all_ious.ciou;
int obj_index = entry_index(l, b, mask_n * l.w * l.h + j * l.w + i, 4);
avg_obj += l.output[obj_index];
//重新计算obj delta，覆盖第一部分
if (l.objectness_smooth)
{
float delta_obj = class_multiplier * l.obj_normalizer * (1 - l.output[obj_index]);
if (l.delta[obj_index] == 0) l.delta[obj_index] = delta_obj;
}
else l.delta[obj_index] = class_multiplier * l.obj_normalizer * (1 - l.output[obj_index]);
//class delta
int class_index = entry_index(l, b, mask_n * l.w * l.h + j * l.w + i, 4 + 1);
delta_yolo_class(l.output, l.delta, class_index, class_id, l.classes, l.w * l.h, &avg_cat, l.focal_loss, l.label_smooth_eps, l.classes_multipliers, l.cls_normalizer);
++(args->count);
++(args->class_count);
if (all_ious.iou > .5) recall += 1;
if (all_ious.iou > .75) recall75 += 1;
}
//处理iou_thresh，使多个anchor同时预测一个gt
for (n = 0; n < l.total; ++n)
{
int mask_n = int_index(l.mask, n, l.n);
//这个mask_n指这个yolo层能取到的mask，假设这个yolo层的mask为0,1,2，那么外循环中n=0,1,2时mask_n=0,1,2,n>=3时mask_n=-1
if (mask_n >= 0 && n != best_n && l.iou_thresh < 1.0f)
//best_n对应的anchor已经处理过了，这里处理另外几个，iou>iou_thresh时，处理方式和上面相同，否则不处理
//iou_thresh=1时这里不执行，parser.c中默认yolo层iou_thresh为1，即一个gt只分配给一个anchor检测
{
box pred = { 0 };
pred.w = l.biases[2 * n] / state.net.w;
pred.h = l.biases[2 * n + 1] / state.net.h;
float iou = box_iou_kind(pred, truth_shift, l.iou_thresh_kind); // IOU, GIOU, MSE, DIOU, CIOU
if (iou > l.iou_thresh)
{
int class_id = state.truth[t * l.truth_size + b * l.truths + 4];
if (l.map) class_id = l.map[class_id];
int box_index = entry_index(l, b, mask_n * l.w * l.h + j * l.w + i, 0);
const float class_multiplier = (l.classes_multipliers) ? l.classes_multipliers[class_id] : 1.0f;
ious all_ious = delta_yolo_box(truth, l.output, l.biases, n, box_index, i, j, l.w, l.h, state.net.w, state.net.h, l.delta, (2 - truth.w * truth.h), l.w * l.h, l.iou_normalizer * class_multiplier, l.iou_loss, 1, l.max_delta, state.net.rewritten_bbox, l.new_coords);
(*state.net.total_bbox)++;
// range is 0 <= 1
args->tot_iou += all_ious.iou;
args->tot_iou_loss += 1 - all_ious.iou;
// range is -1 <= giou <= 1
tot_giou += all_ious.giou;
args->tot_giou_loss += 1 - all_ious.giou;
tot_diou += all_ious.diou;
tot_diou_loss += 1 - all_ious.diou;
tot_ciou += all_ious.ciou;
tot_ciou_loss += 1 - all_ious.ciou;
int obj_index = entry_index(l, b, mask_n * l.w * l.h + j * l.w + i, 4);
avg_obj += l.output[obj_index];
if (l.objectness_smooth)
{
float delta_obj = class_multiplier * l.obj_normalizer * (1 - l.output[obj_index]);
if (l.delta[obj_index] == 0) l.delta[obj_index] = delta_obj;
}
else l.delta[obj_index] = class_multiplier * l.obj_normalizer * (1 - l.output[obj_index]);
int class_index = entry_index(l, b, mask_n * l.w * l.h + j * l.w + i, 4 + 1);
delta_yolo_class(l.output, l.delta, class_index, class_id, l.classes, l.w * l.h, &avg_cat, l.focal_loss, l.label_smooth_eps, l.classes_multipliers, l.cls_normalizer);
++(args->count);
++(args->class_count);
if (all_ious.iou > .5) recall += 1;
if (all_ious.iou > .75) recall75 += 1;
}
}
}
}
这部分是从gt出发，先将gt的中心点移到0，寻找与之iou最大的anchor best_n，再看这个anchor在不在mask_n里。如果不在，说明这个gt不归这个yolo层检测（多尺度检测嘛，一般三个yolo层，每个yolo层只负责一部分gt），进入下一步。如果在，则依次产生坐标delta（根据用的iou loss类型做了各种判断），obj delta（覆盖掉第一部分的delta值），class delta，完成forward过程。
如果开启了iou_thresh（<1），那么这个yolo层的这个grid中所有bbox都预测gt，只要bbox与gt的iou超过iou_thresh。产生delta的过程则和上面类似。
第三部分：如果开启了iou_thresh，将坐标delta平均
//第三部分：如果开启了iou_thresh，将坐标delta平均
if (l.iou_thresh < 1.0f)
{
// averages the deltas obtained by the function: delta_yolo_box()_accumulate
for (j = 0; j < l.h; ++j)
{
for (i = 0; i < l.w; ++i)
{
for (n = 0; n < l.n; ++n)
{
int obj_index = entry_index(l, b, n*l.w*l.h + j*l.w + i, 4);
int box_index = entry_index(l, b, n*l.w*l.h + j*l.w + i, 0);
int class_index = entry_index(l, b, n*l.w*l.h + j*l.w + i, 4 + 1);
const int stride = l.w*l.h;
if (l.delta[obj_index] != 0)
averages_yolo_deltas(class_index, box_index, stride, l.classes, l.delta);
}
}
}
}
作者对这部分逻辑做了说明（详情），可以参考着理解一下，其实就是一个bbox预测了不同gt，坐标delta就会被平均。
GPU版本
Darknet中一般每一层的forward和backward函数都有GPU版本。forward_yolo_layer的GPU版本和CPU版差不多，除了LOGISTIC激活是在GPU上做的，其实后面又调用了CPU版本，比较简单。
以上就是个人对forward_yolo_layer函数的一些理解，欢迎交流讨论。
