YOLOV8-gradcam 热力图可视化 即插即用 不需要对源码做任何修改!

YOLOV8 GradCam 热力图可视化.

本文给大家带来yolov8-gradcam热力图可视化，这个可视化是即插即用，不需要对源码做任何修改喔！给您剩下的不少麻烦！
代码链接：yolo-gradcam
里面还有yolov5和v7的热力图可视化代码，也是即插即用，不需要对源码做任何修改喔！

先来看一下效果图

这个是由官方权重yolov8m实现的。

操作教程 哔哩哔哩视频

1. 从github中下载源码到自己的代码路径下。

简单来说就是直接复制到你的v8代码文件夹下即可，路径一定要放对，不然会找不到一些包。

2. 修改参数

defget_params():
    params ={'weight':'yolov8m.pt','cfg':'ultralytics/models/v8/yolov8m.yaml','device':'cuda:0','method':'GradCAM',# GradCAMPlusPlus, GradCAM, XGradCAM'layer':'model.model[8]','backward_type':'all',# class, box, all'conf_threshold':0.6,# 0.6'ratio':0.02# 0.02-0.1}return params

主要参数都在这个函数里面，其中解释如下：

• weight 权重路径。
• cfg 配置文件路径。(需要跟权重所训练出来的配置文件一致)
• device 运行的设备。cpu:cpu,gpu:cuda:0
• method 默认是GradCAM，还支持GradCAMPlusPlus和XGradCAM。但是作者这边实测都是GradCAM效果最好。
• layer 代码中的model.model[8]就是上图所示，经测试，对于yolov8，使用5-9效果还可以，至于对于自己的数据集，这个就需要慢慢测试了。 所以如果需要修改求梯度的层，只需要修改数字即可，比如我想用第9层，也就是model.model[9]。
• backward_type 反向传播的变量。这里默认是all，也就是score+box进行反向传播，然后进行梯度求和。 其中还支持score和box。建议使用all，效果不佳再换。
• conf_threshold 置信度阈值，默认0.6。
• ratio 取前多少数据，默认是0.02，就是只取置信度(yolov8为类别最大概率为置信度)排序后的前百分之2的目标进行计算热力图。 这个可能比较难理解，一般0.02就可以了，这个值不是越大越好，最大建议是0.1

3.运行

if __name__ =='__main__':
    model = yolov8_heatmap(**get_params())
    model(r'20230117113354.jpg','result')

model = yolov8_heatmap(**get_params()) 这行代码为初始化
model(r'20230117113354.jpg', 'result') 第一个参数是图片的路径，第二个参数是保存路径，比如是result的话，其会创建一个名字为result的文件夹，如果result文件夹不为空，其会先清空文件夹。

运行输出如下：

运行后其会输出你的结构，你可以根据这个结构去选择你的层号，然后还会有一行：

    Transferred 475/475 items

这个非常重要，这个如果分子不等于分母的话，那证明你的cfg文件和你的模型权重不匹配！
然后下方有一个进度条：

QA：

1. 为什么进度条还没有满就停止了呢？ 因为后面的目标已经不满足置信度的设定值。
2. 这个进度条的长度126是什么意思？ 这个就是之前设定的参数ratio的作用，其只会选择前0.02的目标进行热力图可视化。

那么其实我们可以看到ratio等于0.02已经足够了，其他目标都是小于0.6的置信度。

4. 查看输出

打开设定的保存路径result文件夹下：

在这里，你可以挑选效果比较好的出来进行展示。

最后我这里做了一个实验，分别是对7,8,9layer进行实验：

这个实验主要是给大家看下，不同的layer，不同的backward_type，不同的method出来的效果都不一样，有些可能效果很差，需要自行调整测试，热力图这个东西是比较玄学的，有些结果会比较乱，有些结果会比较可观，有些图它可能就是热力图效果不好也有可能。

最后祝大家都能出到满意的图，如果可以的话github帮忙点个star，博文也帮忙点个赞，谢谢大家咯！