yolov5特征图可视化

一、效果图

先上一下效果图，因为深层的特征有高达1024个，这里我只打印了8*8的特征图，用plt.subplot将64张特征图展示在一张图片上。原图为我在百度上随便搜的猫咪：

这是yolov5x.pt进行detect过程中，经过可视化后的第一个C3模块的前64张特征图：

这里也可以设置为灰度图，后续代码中会给出。

可以看到不同特征图所提取到的特征几乎都不相同，有的侧重边缘，有的则是侧重整体，当然这只是第一个C3的特征图，相对于更深层的特征来说，浅层的特征大多是完整的，而更深层的特征则会更小，而且是提取到的细小特征，当然，这些特征图也都是相互联系的，网络结构是个整体。

借助yolov5作者在issue里说到的：

BTW, a single feature map may be in my opinion a shallow set of information, as you are looking at a 2d spatial slice but are not aptly observing relationships across the feature space (as the convolutions do).

I guess an analogy is that you would be viewing the R, G, B layers of a color image by themselves, when it helps to view them together to get the complete picture.

单个特征图可能是一组浅层信息，因为你正在查看 2d 空间切片，但并未恰当地观察特征空间中的关系（如卷积所做的那样）。

这里是我自己的理解，通过特征图的可视化，也进一步的理解了卷积到底干了些什么事情，如果有想进一步交流的小伙伴，私信一起讨论，一起学习呀。

二、使用步骤
1.使用方法
使用方法很简单，只需要在utils中的general.py或者plots.py添加如下函数：

import matplotlib.pyplot as plt
from torchvision import transforms


def feature_visualization(features, model_type, model_id, feature_num=64):
"""
features: The feature map which you need to visualization
model_type: The type of feature map
model_id: The id of feature map
feature_num: The amount of visualization you need
"""
save_dir = "features/"
if not os.path.exists(save_dir):
os.makedirs(save_dir)

# print(features.shape)
# block by channel dimension
blocks = torch.chunk(features, features.shape[1], dim=1)

# # size of feature
# size = features.shape[2], features.shape[3]

plt.figure()
for i in range(feature_num):
torch.squeeze(blocks[i])
feature = transforms.ToPILImage()(blocks[i].squeeze())
# print(feature)
ax = plt.subplot(int(math.sqrt(feature_num)), int(math.sqrt(feature_num)), i+1)
ax.set_xticks([])
ax.set_yticks([])

plt.imshow(feature)
# gray feature
# plt.imshow(feature, cmap='gray')

# plt.show()
plt.savefig(save_dir + '{}_{}_feature_map_{}.png'
.format(model_type.split('.')[2], model_id, feature_num), dpi=300)

添加如下代码：

            feature_vis = True
if m.type == 'models.common.C3' and feature_vis:
print(m.type, m.i)
feature_visualization(x, m.type, m.i)

添加在yolo.py后，无论是在detect.py还是在train.py中都会进行可视化特征图。

然而训练的过程中并不一定需要一直可视化特征图，feature_vis参数是用来控制是否保存可视化特征图的，保存的特征图会存在features文件夹中。如果想看其它层的特征只需要修改m.type或是用m.i来进行判断是否可视化特征图。m.type对应的是yaml文件中的module，即yolov5的基础模块，例如c3，conv，spp等等，而m.i则更好理解，即是模块的id，通常就是顺序，如果你尝试修改过配置文件，那么你肯定知道是什么。

如果不明白，多使用print函数，用list.len()和tensor.size去查看列表长度和张量维度，打印出来你就知道了。

这里有一个点我很迷惑，不知道有没有大佬可以告诉我原因，就是我并没有找到yolo.py和detect.py之间的关联，detect.py中使用的是：

model = attempt_load(weights, map_location=device)
而并没有使用yolo.py中的Model函数，但是运行detect.py同样可以可视化特征图，不是很懂pytorch代码中的这个机制，希望有大佬可以指教一下，代码还是有些菜。

2.注意事项
注意1：在yolo.py的开头import feature_visualization：

from utils.general import feature_visualization
注意2：yolov5无论是在detect还是在train的过程中，都会先对模型进行Summary，即验证你的模型的层数，参数以及是否有梯度，这个过程也会保存特征图，但是不要担心，因为你保存的特征图名字是相同的，会被覆盖，如果你打印的出来log就会看到整个模型跑了两次：

Model Summary: 476 layers, 87730285 parameters, 0 gradients

注意3：建议训练完成的网络使用detect.py来进行验证特征图。

当然在yolo.py里面也可以将'__main__'中的 ：

model = Model(opt.cfg).to(device)
替换为：

model = attempt_load(opt.weights, map_location=device)
同样可以跑通（把detect.py中的opt.weights复制过来）。在yolo.py中打开Profile，将随机生成的图片换成自己的图片，就可以正常的进行验证。

总结
周末摸鱼时间写了这个（也不算摸鱼，下周该写论文初稿了orz），希望给大家带来帮助，如果有疑问或者错误，在评论区或者私信联系我，之后我会把这个提交一个pr到yolov5的官方仓库里（之前提交了一个visdrone.yaml的配置文件，幸被采用了，参考的就是这个作者的代码，感谢！），就到这里，最后上一个spp结构的特征图输出，希望和大家一起讨论。

以上。
————————————————

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

原文链接：https://blog.csdn.net/qq_40231159/article/details/118270178