介绍了几乎所有的训练代码，在训练代码中比较重要的步骤应该就是网络结构的搭建，这也是SSD算法的核心。因此接下来介绍的symbol_factory.py就是网络结构搭建的起始脚本，主要包含网络的一些配置信息。

该脚本主要包含get_config，get_symbol_train，get_symbol三个函数，后面两个函数差不多，可以从get_symbol_train函数开始看，该函数中大部分是检测相关的参数配置，更详细的内容在另一个脚本（symbol_builder.py）中实现。

"""Presets for various network configurations"""from __future__ import absolute_importimport loggingfrom . import symbol_builder# 这个函数就是给指定网络和输入数据尺寸生成一些参数配置def get_config(network, data_shape, **kwargs):    """Configuration factory for various networks    Parameters    ----------    network : str        base network name, such as vgg_reduced, inceptionv3, resnet...    data_shape : int        input data dimension    kwargs : dict        extra arguments    """    if network == 'vgg16_reduced':        if data_shape >= 448:    # 和下面else里面的from_layers做对比可以看出，对于输入图像为512*512的情况，需要额外增加5个卷积层，    # 而如果是300*300（else那部分），则需要额外增加4个卷积层            from_layers = ['relu4_3', 'relu7', '', '', '', '', '']             num_filters = [512, -1, 512, 256, 256, 256, 256]            strides = [-1, -1, 2, 2, 2, 2, 1]            pads = [-1, -1, 1, 1, 1, 1, 1]            sizes = [[.07, .1025], [.15,.2121], [.3, .3674], [.45, .5196], [.6, .6708], \                [.75, .8216], [.9, .9721]]            ratios = [[1,2,.5], [1,2,.5,3,1./3], [1,2,.5,3,1./3], [1,2,.5,3,1./3], \                [1,2,.5,3,1./3], [1,2,.5], [1,2,.5]]            normalizations = [20, -1, -1, -1, -1, -1, -1] # normalization如果等于-1，表示该层不做normalization            steps = [] if data_shape != 512 else [x / 512.0 for x in                [8, 16, 32, 64, 128, 256, 512]]        else:    # relu4_3表示原来VGG16网络中的第4个块中的第3个卷积，relu7表示原来的VGG16网络中的fc7层（VGG16最后一共有3个fc层，    # 分别为fc6，fc7，fc8），后面的4个‘’表示在VGG16基础上增加的4个卷积层。这6层就是做特征融合的时候要提前特征的层。            from_layers = ['relu4_3', 'relu7', '', '', '', '']             num_filters = [512, -1, 512, 256, 256, 256] # 对应层的卷积核个数，这里-1表示extracted features            strides = [-1, -1, 2, 2, 1, 1]            pads = [-1, -1, 1, 1, 0, 0]            sizes = [[.1, .141], [.2,.272], [.37, .447], [.54, .619], [.71, .79], [.88, .961]]            ratios = [[1,2,.5], [1,2,.5,3,1./3], [1,2,.5,3,1./3], [1,2,.5,3,1./3], \                [1,2,.5], [1,2,.5]]            normalizations = [20, -1, -1, -1, -1, -1]            steps = [] if data_shape != 300 else [x / 300.0 for x in [8, 16, 32, 64, 100, 300]]        if not (data_shape == 300 or data_shape == 512):            logging.warn('data_shape %d was not tested, use with caucious.' % data_shape)        return locals() # locals函数返回以上这些变量    elif network == 'inceptionv3':        from_layers = ['ch_concat_mixed_7_chconcat', 'ch_concat_mixed_10_chconcat', '', '', '', '']        num_filters = [-1, -1, 512, 256, 256, 128]        strides = [-1, -1, 2, 2, 2, 2]        pads = [-1, -1, 1, 1, 1, 1]        sizes = [[.1, .141], [.2,.272], [.37, .447], [.54, .619], [.71, .79], [.88, .961]]        ratios = [[1,2,.5], [1,2,.5,3,1./3], [1,2,.5,3,1./3], [1,2,.5,3,1./3], \            [1,2,.5], [1,2,.5]]        normalizations = -1        steps = []        return locals()    elif network == 'resnet50':        num_layers = 50        image_shape = '3,224,224'  # resnet require it as shape check        network = 'resnet'        from_layers = ['_plus12', '_plus15', '', '', '', '']        num_filters = [-1, -1, 512, 256, 256, 128]        strides = [-1, -1, 2, 2, 2, 2]        pads = [-1, -1, 1, 1, 1, 1]        sizes = [[.1, .141], [.2,.272], [.37, .447], [.54, .619], [.71, .79], [.88, .961]]        ratios = [[1,2,.5], [1,2,.5,3,1./3], [1,2,.5,3,1./3], [1,2,.5,3,1./3], \            [1,2,.5], [1,2,.5]]        normalizations = -1        steps = []        return locals()    elif network == 'resnet101':        num_layers = 101        image_shape = '3,224,224'        network = 'resnet'        from_layers = ['_plus12', '_plus15', '', '', '', '']        num_filters = [-1, -1, 512, 256, 256, 128]        strides = [-1, -1, 2, 2, 2, 2]        pads = [-1, -1, 1, 1, 1, 1]        sizes = [[.1, .141], [.2,.272], [.37, .447], [.54, .619], [.71, .79], [.88, .961]]        ratios = [[1,2,.5], [1,2,.5,3,1./3], [1,2,.5,3,1./3], [1,2,.5,3,1./3], \            [1,2,.5], [1,2,.5]]        normalizations = -1        steps = []        return locals()    elif network == 'mobilenet':        from_layers = ['activation22', 'activation26', '', '', '', '']        num_filters = [-1, -1, 512, 256, 256, 128]        strides = [-1, -1, 2, 2, 2, 2]        pads = [-1, -1, 1, 1, 1, 1]        sizes = [[.1, .141], [.2,.272], [.37, .447], [.54, .619], [.71, .79], [.88, .961]]        ratios = [[1,2,.5], [1,2,.5,3,1./3], [1,2,.5,3,1./3], [1,2,.5,3,1./3], \            [1,2,.5], [1,2,.5]]        normalizations = -1        steps = []        return locals()    else:        msg = 'No configuration found for %s with data_shape %d' % (network, data_shape)        raise NotImplementedError(msg)# 这个函数就是用来获得整个网络的结构信息，包括新增的用于特征融合的层，生成anchor的层等等。# 该函数主要是调用symbol_builder.py脚本中的几个函数来执行导入和生成symbol的操作。def get_symbol_train(network, data_shape, **kwargs):    """Wrapper for get symbol for train    Parameters    ----------    network : str        name for the base network symbol    data_shape : int        input shape    kwargs : dict        see symbol_builder.get_symbol_train for more details    """    if network.startswith('legacy'):        logging.warn('Using legacy model.')        return symbol_builder.import_module(network).get_symbol_train(**kwargs)# 调用get_config函数得到一些配置参数    config = get_config(network, data_shape, **kwargs).copy()# 得到的配置参数config再加上kwargs里面的其他配置参数    config.update(kwargs)# 调用symbol_builder.py脚本中的get_symbol_train函数得到symbol    return symbol_builder.get_symbol_train(**config)def get_symbol(network, data_shape, **kwargs):    """Wrapper for get symbol for test    Parameters    ----------    network : str        name for the base network symbol    data_shape : int        input shape    kwargs : dict        see symbol_builder.get_symbol for more details    """    if network.startswith('legacy'):        logging.warn('Using legacy model.')        return symbol_builder.import_module(network).get_symbol(**kwargs)    config = get_config(network, data_shape, **kwargs).copy()    config.update(kwargs)    return symbol_builder.get_symbol(**config)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85
• 86
• 87
• 88
• 89
• 90
• 91
• 92
• 93
• 94
• 95
• 96
• 97
• 98
• 99
• 100
• 101
• 102
• 103
• 104
• 105
• 106
• 107
• 108
• 109
• 110
• 111
• 112
• 113
• 114
• 115
• 116
• 117
• 118
• 119
• 120
• 121
• 122
• 123
• 124
• 125
• 126
• 127
• 128
• 129
• 130
• 131
• 132
• 133
• 134
• 135
• 136
• 137
• 138
• 139
• 140
• 141
• 142
• 143
• 144
• 145
• 146
  

这篇博客主要介绍了关于SSD的网络结构参数配置。从get_symbol_train函数可以看出，关于算法网络结构的构建是在symbol_builder.py脚本的get_symbol_train.py函数中进行的

奈斯