yolov5 Grad-CAM可视化，以及对可视化过程的分析

Grad CAM 为 神经网络的一种可解释算法。

一、Grad CAM 可视化 实施与效果

直接运行 main_gradcam.py

或者终端运行

python main_gradcam.py --img-path 路径

1 、 配置和效果

yolov5 Grad-CAM可视化的修改可参考这两篇博客：YOLOv5结合GradCAM热力图可视化 和 【YOLOv5】结合GradCAM热力图可视化，我用的好像跟他不一样版本，不过问题不大，有几处需要改一下，见 2、修改处

实际效果如下所示

2、 修改处

yolov5_object_detector.py ---31

self.model = attempt_load(model_weight, device=device, inplace=False, fuse=False)

注意 device 处修改了

main_gradcam.py --- 25

parser.add_argument('--model-path', type=str, default="yolov5s.pt", help='Path to the model')

加载模型的路径改了。

二、代码分析

1、debug 参数记录

1. colors

prediction

logits

__

2）x

2、打印日志处

（1） main_gradcam.py --- 82

Loading the model

（2）gradcam.py --- 65

person, model-backward took:  90.6689 seconds

（3）main_gradcam.py --- 104

Saving the final image at outputs/bus/gradcam

（4）main_gradcam.py --- 120

17_0.jpg done!!

（5）main_gradcam.py --- 121

print(f'Total time : {round(time.time() - tic, 4)} s')

3、功能处接口

（1）实例化模型

man_gradcam.py --- 84

model = YOLOV5TorchObjectDetector(args.model_path, device, img_size=input_size, names=names)

用的是创建的 CAM 代码 ，但进入这里面会发现，初始化时依然用的是attemp_load函数来加载模型，如下所示

 self.model = attempt_load(model_weight, device=device, inplace=False, fuse=False)

注意这其中的

self.model.requires_grad_(True)

其为 nn.Model 模块中的方法。

（2） 对img 的处理

main_gradcam.py --- 87

torch_img = model.preprocessing(img[..., ::-1])

原img ----> 增加1维 ----> letterbox ----> 调换维度----> to Tensor ----> /255 ----> input

(3) YOLOV5 Grad-CAM

main_gradcam.py --- 93

saliency_method = YOLOV5GradCAM(model=model, layer_name=target_layer, img_size=input_size)

这个主要是挂hook，

(4) 前向传播过程

始 main_gradcam.py ---96

 masks, logits, [boxes, _, class_names, conf] = saliency_method(torch_img)

跳转到 gradcam.py ---55

preds, logits = self.model(input_img)

接着跳转到 yolov5_object_detector.py --- 147

即YOLOV5TorchObjectDetector类中的 前向传播 函数中，

prediction, logits, _ = self.model(img, augment=False)

接着跳转到 yolo.py --- 233

    def forward(self, x, augment=False, profile=False, visualize=False):
        if augment:
            return self._forward_augment(x)  # augmented inference, None
        return self._forward_once(x, profile, visualize)  # single-scale inference, train

接着跳转到 yolo.py --- 137

 def _forward_once(self, x, profile=False, visualize=False):
        y, dt = [], []  # outputs
        # print('================')
        for m in self.model:  # m 与 model <c-8>
            # print('====================')
            # print("i is {}".format(m.i))
            # print('====================')
            if m.f != -1:  # if not from previous layer
                # print("when i is {},f is {}".format(m.i, m.f))
                x = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f]  # from earlier layers
            if profile:
                self._profile_one_layer(m, x, dt)
            x = m(x)  # run
            y.append(x if m.i in self.save else None)  # save output  这里注意 m.i 这个属性
            if visualize:
                feature_visualization(x, m.type, m.i, save_dir=visualize)
        return x

到这里与原来的 yolov5 推理过程接轨。这里注意，当 执行最后一个模块时，也就是当 m 的值为 Detect的时候，由于它是输出 head， 我们对它这里做了改变，所以 执行 Detect 的时候跟之前会有不同。

最终由于Detect函数种的改动

return x if self.training else (torch.cat(z, 1), torch.cat(logits_, 1), x)

所以返回值有三个，第一个是原yolov5的输出，第二个是输入到Detect head检测头的输入的类别信息， 第三个是 输入到Detect head 的输入。其具体信息见 debug 参数中的 2）

接下来进行非极大值抑制，yolov5_object_detector.py --- 148

prediction, logits = self.non_max_suppression(prediction, logits, self.confidence, self.iou_thresh,
                                                      classes=None,
                                                      agnostic=self.agnostic)

（5）设置保存结果的路径

main_gradcam.py --- 101

save_path = f'{args.output_dir}{imgae_name[:-4]}/{args.method}'

从这里可以看出主要由 args.output_dir 和 args.method 决定

（6）热力图的实现

main_gradcam.py --- 113

res_img, heat_map = get_res_img(bbox, mask, res_img)

（7）画标签和矩形框

main_gradcam.py --- 114

res_img = plot_one_box(bbox, res_img, label=label, color=colors[int(names.index(cls_name))],
                                   line_thickness=3)

三、创建的文件和 构造的类都是干什么的，它们的作用都是什么

1、yolov5_object_detect.py

这个文件中 只 包含了一个类，即 YOLOV5TorchObjectDetector。

首先来看看它的初始化函数，最重要的地方是

self.model = attempt_load(model_weight, device=device, inplace=False, fuse=False)

这里 利用原 yolov5 中的 attempt_load 函数 来加载model。再来看看其他函数，

def non_max_suppression   # nms 函数

    def yolo_resize(img, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True):  # 利用 letterbox函数 对图片进行处理

        return letterbox(img, new_shape=new_shape, color=color, auto=auto, scaleFill=scaleFill, scaleup=scaleup)

yolo_resize 函数 也是 调用了 原yolov5 中的 letterbox 函数来进行 img 的 resize 和 填充。

    def preprocessing(self, img):
        if len(img.shape) != 4:  # 增加一维
            img = np.expand_dims(img, axis=0)  # 举例 ndarray:(1,1080,810,3)
        im0 = img.astype(np.uint8)
        img = np.array([self.yolo_resize(im, new_shape=self.img_size)[0] for im in im0])  # 利用letterbox函数对img进行处理，举例 ndarray:(1,640,480,3)
        img = img.transpose((0, 3, 1, 2))  # 举例 ndarray:(1,3,640,480)
        img = np.ascontiguousarray(img)  # 举例 ndarray:(1,3,640,480) ascontiguousarray函数将一个内存不连续存储的数组转换为内存连续存储的数组，使得运行速度更快。
        img = torch.from_numpy(img).to(self.device)  # numpy to tensor
        img = img / 255.0
        return img

processing函数** 是对原图片进行处理， 从而得到输入到 model 的图片。这里调用了它自己的方法 yolo_resize，而yolo_resize实际上就是 letterbox函数。哈哈。**

最后是它的前向传播函数，首先执行的是原yolov5的前向传播过程，不过在Detect head 做了修改，返回值改变了。然后进行NMS，与原来不同的是这里的logits也同步处理。最后返回

return [self.boxes, self.classes, self.class_names, self.confidences], logits

返回 [bbox信息，类别信息序号，类别的标签即名称，置信度分数] ， logits 。

总的来说，这个文件中包含的 YOLOV5TorchObjectDetector 类实现的是一个接口，包括对原img的处理、yolov5的前向传播和NMS后处理。它联系原来的yolov5 对输入进行处理从而得到 Grad CAM 想要的输出。

2、gradcam.py

在这之前，首先需要了解两个关键的地方

一是 pytorch 的hook机制，二是 Grad CAM 论文中的原理。这两篇博客写的非常棒。

首先，看这个

def find_yolo_layer(model, layer_name): 

函数，它的作用就是** 得到需要的输出层的名字。 yolov5 中 Detect head 的输入有三个部分，分别来自 17，20，23，所以这里 它事先就设置好了这几个不同层，**

target_layers = ['model_17_cv3_act', 'model_20_cv3_act', 'model_23_cv3_act']

从这里就可以看出 它可视化的层是 Detect 层之前的卷积层，而且是三个层，根据结果也会看到不同的层 可视化 后的效果不一样，越是靠后的层 效果 越好。

接下来就是 class YOLOV5GradCAM: 这个类了。初始化函数中，实例化model，最重要的就是** 挂hook 操作。**

# 定义 钩子函数
        def backward_hook(module, grad_input, grad_output):
            self.gradients['value'] = grad_output[0]
            return None

        def forward_hook(module, input, output):
            self.activations['value'] = output
            return None

# 挂 hook
        target_layer.register_forward_hook(forward_hook)  # 挂hook
        target_layer.register_full_backward_hook(backward_hook)

这里 反向传播记录 梯度， 前向传播 记录的是 卷积层的输出，由于需要记录的输出的模块的最后一层 都是 SiLU 激活函数，所以命名为 self.activations。（详见yolov5前向传播过程）

前向传播 forward 函数中，此时的 self.model 是 YOLOV5TorchObjectDetector 类，所以返回的是

return [self.boxes, self.classes, self.class_names, self.confidences], logits

这个 hook 是什么时候启动的呢？首先，当执行

preds, logits = self.model(input_img)

时，启动model 的前向传播，在这个过程中 forward_hook 被启动，记录了相关卷积层的输出。当执行

score.backward(retain_graph=True)

时，backward_hook被启动，记录反向传播时计算的梯度。至此， self.gradients 和 self.activations 记录了相关的数据。然后执行 Grad -CAM 算法，得到其 map ，然后进行线性插值和归一化，最后返回

 return saliency_maps, logits, preds

这只是一层的结果。注意在主文件中是分层进行的

for target_layer in target_layers:

总的来说， 该文件中主要的就是 Gram CAM 算法的实现，其中还包括 挂 hook 的操作。

3、main_gradcam.py

实现整个流程，

def get_res_img  # 为画热力图操作

def plot_one_box  # 为画bbox 和 label

四、Grad CAM 实现的过程和代码

gradcam.py ---70

b, k, u, v = gradients.size()  # 举例 1, 128, 80, 60
alpha = gradients.view(b, k, -1).mean(2)  # 按通道求权重

实现的是

weights = alpha.view(b, k, 1, 1)
saliency_map = (weights * activations).sum(1, keepdim=True)
saliency_map = F.relu(saliency_map)

实现的是

然后进行双线性插值将尺寸扩大到原img尺寸，再进行归一化将数值 调整到 0 ~ 1 范围之间。

五、一些需要注意的地方

1、model的定义

saliency_method -----> YOLOV5GradCAM 对象 
YOLOV5GradCAM 中的 model  -----> YOLOV5TorchObjectDetector 对象 YOLOV5TorchObjectDetector 中的model -----> 原yolov5 的 model

2、得到的效果图片为什么那么多，并且有好有坏

**首先，它一共看了 三个 layer 的输出 **

target_layers = ['model_17_cv3_act', 'model_20_cv3_act', 'model_23_cv3_act']

其次，每个层的输出可能会又包含多个不同的目标，有几个矩形框它就分别绘制不同的效果。

所以，不同层的输出 得到的效果是不一样的， 实验证明越靠后的卷积层输出 得到的效果越明显。