🍊作者简介：秃头小苏，致力于用最通俗的语言描述问题

🍊专栏推荐：深度学习网络原理与实战

🍊近期目标：写好专栏的每一篇文章

🍊支持小苏：点赞👍🏼、收藏⭐、留言📩

HRNet源码解析篇

写在前面

Hello，大家好，我是小苏👦🏽👦🏽👦🏽

在上一节中，我已经为大家介绍HRNet的原理部分，其实说起来挺惭愧，因为原理部分介绍的还是比较简单的，我想你仅仅阅读原理部分是很难彻底弄明白HRNet的精髓。那么本节将在上一节的基础上，为大家更细致的讲解HRNet。🧨🧨🧨当然了，本节属于源码解析篇，所有会存在比较多的代码，大家也不用担心看不懂，我都对关键代码做了详细的解释，并画图进一步帮助大家理解，所以大家一定要耐心看下去喔。🎯🎯🎯

这里我还想多说一句，其实写源码解析类博客其实怪难的，因为有时候明明很好表达的内容，用文字为大家展示却有种一拳打在棉花上的无力感，哈哈哈，可能是自己水平不够叭。🧑🧑🧑自己也做过几期视频，感觉效果也还行，感兴趣的可以点击☞☞☞看看，后期可能会考虑写完博客出配套视频的方式为大家介绍知识点。enmmm，说远了，说这些我是想告诉大家，我并不期望通过这一篇文章就能让你把整个HRNet的源码都看透，这是不可能的。但是其中一些关键的地方，如果本文能给你一点启发，那我觉得此篇文章的目的就达到了。此外，大家在阅读代码时，一定不要停留在看的层面，一定要动手调试起来，这样会有不一样的收获。🍋🍋🍋

好了，不说废话了，让我们一起发车，来学学HRNet的源码叭~~~🚖🚖🚖

源码地址：HRNet源码🌱🌱🌱

关键点数据集构建

深度学习中数据才是王道，本文使用的是COCO数据集中的人体关键点检测数据集，对此数据集还不清楚的务必点击下面链接了解详情：

COCO数据集——关键点检测标注文件解析🌼🌼🌼

清楚COCO数据集的格式后，我们一起来看看是如何构建关键点数据集的？首先来说说这里的关键点数据集的构建主要干了什么？其实它就是把原始图像中对人体关键点标注过的图像记录了下来。

我们一点点的来看其是如何实现的，主要定义在CocoKeypoint类中：

data_root = args.data_path   # data_path:'D://Dataset//coco2017'
data_transform = {"train": transforms.Compose([transforms.HalfBody(0.3, person_kps_info["upper_body_ids"], person_kps_info["lower_body_ids"]),transforms.AffineTransform(scale=(0.65, 1.35), rotation=(-45, 45), fixed_size=fixed_size),transforms.RandomHorizontalFlip(0.5, person_kps_info["flip_pairs"]),transforms.KeypointToHeatMap(heatmap_hw=heatmap_hw, gaussian_sigma=2, keypoints_weights=kps_weights),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])]),"val": transforms.Compose([transforms.AffineTransform(scale=(1.25, 1.25), fixed_size=fixed_size),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])}fixed_size = args.fixed_size  # fixed_size:[256,192]train_dataset = CocoKeypoint(data_root, "train", transforms=data_transform["train"], fixed_size=args.fixed_size)

上述代码主要展示了传入CocoKeypoint类中的参数，为后面阅读CocoKeypoint类中代码做准备，对本篇transforms不熟悉的可以稍后阅读本文的下一节–>在线数据增强。🥗🥗🥗

下面我们就一步步的来看看CocoKeypoint类到底干了什么？在__init__函数中，先初始化了一系列变量：

anno_file = f"person_keypoints_{dataset}{years}.json"
self.img_root = os.path.join(root, f"{dataset}{years}")
self.anno_path = os.path.join(root, "annotations", anno_file)
self.fixed_size = fixed_size
self.mode = dataset
self.transforms = transforms
self.coco = COCO(self.anno_path)

我们调试来看看这些值的结果：

这里我重点介绍一下self.coco = COCO(self.anno_path)这句代码，其传入的是self.anno_path参数，即人体关键点检测标注文件——'D://Dataset//coco2017\\annotations\\person_keypoints_train2017.json'我们跳入COCO函数内部调试一下：

首先设置一些字典变量来存储相关信息：

self.dataset,self.anns,self.cats,self.imgs = dict(),dict(),dict(),dict()
self.imgToAnns, self.catToImgs = defaultdict(list), defaultdict(list)

接着我们会打开标注文件路径并读取得到dataset：

with open(annotation_file, 'r') as f:dataset = json.load(f)

我们来看看dataset的值：

dataset一共有五个字段的值，和我在COCO数据集——关键点检测标注文件解析这篇博客中介绍的是完全一致的。

接着调用createIndex方法为之前定义的字典变量赋值：

if 'annotations' in self.dataset:for ann in self.dataset['annotations']:imgToAnns[ann['image_id']].append(ann)anns[ann['id']] = ann

这段代码先是遍历数据集中的annotations标签，然后将其image_id作为键，标签作为值构建一个图像id到标签的字典imgToAnns，来看看其遍历一次的结果：

接着是将标签的id作为键，标签作为值构建一个字典，同样看看遍历一次的结果：

注意：这里的id和image_id不一样，image_id是图像的唯一标识，id是目标实例分配的唯一标识符，用于在数据集中唯一标识这个目标实例。一个图像中可能会有多个目标实列，即有多个人。

我们遍历完所有标签，看看imgToAnns和anns中有多少数据：

可以看到imgToAnns共有64115条数据，表示一共有64115张图像存在标注。anns共有262465条数据，表示一共有262465个标注目标实列，也就是标注了262465个人。那么为什么会存在这样的差异呢？因为不是每张图像都会有标注目标实列（一共118287张图像，有标注目标实列的有64115张），也不是每张存在标注目标实列的都只有一个标注目标实列（最少有一个，从imgToAnns数据图中可以看到，image_id为120021的图像有三个标注目标实列，说明标注了3个人，我们也可以来看看这张图像，看看是不是有3个人，如下：

)

---

if 'images' in self.dataset:for img in self.dataset['images']:imgs[img['id']] = img

接着这段代码是遍历数据集中的image图像，然后将id【注意：image中的id指的是image_id，而不是上文说的实列id】作为键，img图像作为值构建字典imgs，来看看遍历一次的结果：

然后来看看遍历完所有数据imgs的结果：

一共有118287条数据，这就是COCO训练集图片的数量。

---

if 'categories' in self.dataset:for cat in self.dataset['categories']:cats[cat['id']] = cat

这段代码是遍历数据集中的categories类别，然后将其id【注意：这里的id指类别的唯一标识符。在人体关键点检测中，这个id都是1，因为我们只会对人体进行标注，而person的类别标识符是1。】作为键，categories信息作为值构建cats字典，来看看遍历一次的结果：

enmmm，dataset中只有一条数据，只能遍历一次，因为只有一个类别id，即id=1。

---

if 'annotations' in self.dataset and 'categories' in self.dataset:for ann in self.dataset['annotations']:catToImgs[ann['category_id']].append(ann['image_id'])

这段代码同样遍历annotations标签，然后将 category_id【注意：这个是类别id，其为1】作为键，image_id作为值构建从类别id到图像id映射的字典 catToImgs，来看一次遍历的结果：

然后来看看遍历完所有数据的catToImgs字典：

一共有262465条数据，即表示有262465张图像有类别id 1（这里包括了重复的图像，比如一个图像中有3个人，那么这里就有三条数据，那么其实这里的262465表示一共标注了262465个person实列）

---

到这里我们的COCO(self.anno_path)函数的内容就介绍完啦，我们来看看self.coco的值，如下：

其实其就是COCO(self.anno_path)函数中那几个字典变量。

接着我们会把imgs的key进行排序，并转成列表：

img_ids = list(sorted(self.coco.imgs.keys()))

然后通过det = self.coco将self.coco的值赋给det，并设置一个self.valid_person_list列表用于存储有效的人体关键点信息，并设置一个obj_idx记录目标实列个数。

self.valid_person_list = []
obj_idx = 0

最后执行下面的代码：

for img_id in img_ids:img_info = self.coco.loadImgs(img_id)[0]ann_ids = det.getAnnIds(imgIds=img_id)anns = det.loadAnns(ann_ids)for ann in anns:# only save person classif ann["category_id"] != 1:print(ann["category_id"])# skip objs without keypoints annotationif "keypoints" in ann:if max(ann["keypoints"]) == 0:continuexmin, ymin, w, h = ann['bbox']# Use only valid bounding boxesif w > 0 and h > 0:info = {"box": [xmin, ymin, w, h],"image_path": os.path.join(self.img_root, img_info["file_name"]),"image_id": img_id,"image_width": img_info['width'],"image_height": img_info['height'],"obj_origin_hw": [h, w],"obj_index": obj_idx,"score": ann["score"] if "score" in ann else 1.}if "keypoints" in ann:keypoints = np.array(ann["keypoints"]).reshape([-1, 3])visible = keypoints[:, 2]keypoints = keypoints[:, :2]info["keypoints"] = keypointsinfo["visible"] = visibleself.valid_person_list.append(info)obj_idx += 1

这段代码干了什么呢，我们一点点来分析：首先是遍历img_ids，第一次拿到第一个image_id=9：

此image_id对应图像如下：

然后执行img_info = self.coco.loadImgs(img_id)[0]，loadImgs定义如下：

def loadImgs(self, ids=[]):if _isArrayLike(ids):return [self.imgs[id] for id in ids]elif type(ids) == int:return [self.imgs[ids]]

这个函数主要是根据img_id来加载图像，我们直接来看img_info的结果：

这显示了image_id=9的图像的信息。

---

接着是ann_ids = det.getAnnIds(imgIds=img_id)这句代码，getAnnIds函数如下：

def getAnnIds(self, imgIds=[], catIds=[], areaRng=[], iscrowd=None):imgIds = imgIds if _isArrayLike(imgIds) else [imgIds]catIds = catIds if _isArrayLike(catIds) else [catIds]if len(imgIds) == len(catIds) == len(areaRng) == 0:anns = self.dataset['annotations']else:if not len(imgIds) == 0:lists = [self.imgToAnns[imgId] for imgId in imgIds if imgId in self.imgToAnns]anns = list(itertools.chain.from_iterable(lists))else:anns = self.dataset['annotations']anns = anns if len(catIds)  == 0 else [ann for ann in anns if ann['category_id'] in catIds]anns = anns if len(areaRng) == 0 else [ann for ann in anns if ann['area'] > areaRng[0] and ann['area'] < areaRng[1]]if not iscrowd == None:ids = [ann['id'] for ann in anns if ann['iscrowd'] == iscrowd]else:ids = [ann['id'] for ann in anns]return ids

我们注意来看一下这句：lists = [self.imgToAnns[imgId] for imgId in imgIds if imgId in self.imgToAnns]，意思是遍历imgIds，然后判断imgId是否存在self.imgToAnns中，我们知道imgToAnns共有64115条数据，表示一共有64115张图像存在标注，也就是说只有存在人物的图像才存在标注，即只有图像存在人物，其imgId才会在imgToAnns中，而我们刚刚image_id=9的图像不存在人物，故lists=[]是空列表，后续返回值会是空列表。因此我们需要换一张存在人物的图像进行展示，当遍历至image_id=36时，图像出现人物，图像如下：

此时lists值如下，为这张图像的标注信息：

接着anns = list(itertools.chain.from_iterable(lists))是将将嵌套的列表（lists）展平成一个单层的列表。

后面的这几句都没起作用：

anns = anns if len(catIds)  == 0 else [ann for ann in anns if ann['category_id'] in catIds]
anns = anns if len(areaRng) == 0 else [ann for ann in anns if ann['area'] > areaRng[0] and ann['area'] < areaRng[1]]
if not iscrowd == None:ids = [ann['id'] for ann in anns if ann['iscrowd'] == iscrowd]

然后通过ids = [ann['id'] for ann in anns]获取到标注目标实列的id，并将其返回给ann_ids，其值如下：

接着是anns = det.loadAnns(ann_ids)，将ann_ids传入loadAnns方法中，其定义如下：

def loadAnns(self, ids=[]):if _isArrayLike(ids):return [self.anns[id] for id in ids]elif type(ids) == int:return [self.anns[ids]]

这个函数主要通过ann_ids来加载标注信息，返回的anns如下:

接着是遍历anns，先检查ann[“category_id”] 是否为1并检查标注的keypoints关键点是否存在可见关键点。

for ann in anns:# only save person classif ann["category_id"] != 1:print(ann["category_id"])# skip objs without keypoints annotationif "keypoints" in ann:if max(ann["keypoints"]) == 0:continue

然后从标注的bbox中获取xmin, ymin, w, h，并构建info信息，注意这里score不在ann中，其最后值为1。

xmin, ymin, w, h = ann['bbox']
# Use only valid bounding boxes
if w > 0 and h > 0:info = {"box": [xmin, ymin, w, h],"image_path": os.path.join(self.img_root, img_info["file_name"]),"image_id": img_id,"image_width": img_info['width'],"image_height": img_info['height'],"obj_origin_hw": [h, w],"obj_index": obj_idx,"score": ann["score"] if "score" in ann else 1.}

然后将关键点的坐标和可见性分成两个变量表示并加入到info字典中，最后将info添加到self.valid_person_list中，并将obj_idx加1，表示多了一个目标实列 。

if "keypoints" in ann:keypoints = np.array(ann["keypoints"]).reshape([-1, 3])visible = keypoints[:, 2]keypoints = keypoints[:, :2]info["keypoints"] = keypointsinfo["visible"] = visibleself.valid_person_list.append(info)
obj_idx += 1

此循环代码结束，来看看self.valid_person_list.append的值：

【注意：这里的图像只有一个人物，如果图像中包含多个人物原理是一样的，会遍历图像中的各个人物，并把每个人物的信息存放到valid_person_list中】

当我们遍历完所有img_ids数据时，self.valid_person_list.append就存储了所有有效的人体关键点检测的相关信息，最后一共有149813个有效数据。

---

到这里，关键点检测数据集的构建部分就为大家介绍完了，这部分说难也算不上难，但我认为却是非常重要的一部分，希望大家好好消化一下。🍻🍻🍻

在线数据增强

enmmm，我想大家应该对数据增强有一定的了解叭，比如旋转、剪裁、水平翻转等等，在代码中通常使用transforms.xxx来实现，在之前的博客中，我为大家介绍过一些数据增强，如Faster RCNN中为大家介绍了水平翻转。

这一小节我准备多花点时间来写，因为这部分有的地方是比较难理解，也是蛮重要的。话不多说，我们一起来看看HRNet中使用了哪些数据增强手段：

data_transform = {"train": transforms.Compose([transforms.HalfBody(0.3, person_kps_info["upper_body_ids"], person_kps_info["lower_body_ids"]),transforms.AffineTransform(scale=(0.65, 1.35), rotation=(-45, 45), fixed_size=fixed_size),transforms.RandomHorizontalFlip(0.5, person_kps_info["flip_pairs"]),transforms.KeypointToHeatMap(heatmap_hw=heatmap_hw, gaussian_sigma=2, keypoints_weights=kps_weights),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])]),"val": transforms.Compose([transforms.AffineTransform(scale=(1.25, 1.25), fixed_size=fixed_size),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])}

其训练集和测试集采用不同的数据增强手段，测试集使用的数据增强方法是训练集的子集，所以直接来看训练集中的方法就好了，一共有以下四个：

• transforms.HalfBody
• transforms.AffineTransform
• transforms.RandomHorizontalFlip
• transforms.KeypointToHeatMap

注意： transforms.ToTensor和transforms.Normalize不属于数据增强，而是处于数据预处理，对这两个不熟悉的可以点击下面的链接了解详情：

pytorch中的transforms.ToTensor和transforms.Normalize理解🍁🍁🍁

---

下面我将来一个个的为大家介绍这四种数据增强方式，快来和我一起学学叭~~~🥂🥂🥂

在具体介绍每种数据增强方法之前，我先来给大家展示一下本次调试使用的图片，如下：

其shape为（426，640，3）,为COCO验证集的第一张图片。

transforms.HalfBody

HalfBody——一半的身体，大家可以猜猜这个数据增强手段干了什么？好叭，不卖关子了，一句话解释它干了什么，就是以一定的概率让人体关键点保留上半部分或者下半部分。你或许会疑惑为什么要把完整的人切分成上半部分和下半部分，这是为了模拟关键点检测中的部分遮挡情况。在实际场景中，人物可能被其他对象或者场景的遮挡，这样的情况会使得关键点检测更加具有挑战性。而我们使用HalfBody数据增强，只使用部分身体进行训练，可以实现类似遮挡的效果。这可以帮助模型学习如何处理部分遮挡的情况，提高模型在真实场景中的鲁棒性。

知道了HalfBody的原理，下面就来看看这个HalfBody类是如何实现的：

首先来看看__init__方法:

def __init__(self, p: float = 0.3, upper_body_ids=None, lower_body_ids=None):assert upper_body_ids is not Noneassert lower_body_ids is not Noneself.p = pself.upper_body_ids = upper_body_idsself.lower_body_ids = lower_body_ids

这个初始化方法主要定义了一个概率p，upper_body_ids和lower_body_ids。upper_body_ids和lower_body_ids是指人的身体的上部和下部的索引，0，1，2，3，4，5，6，7，8，9，10为上，其它为下：

为了让大家直观的感受，作图如下：

注意：上图索引是从1开始的，代码索引是从0开始的

---

接着来看__call__方法：

def __call__(self, image, target):if random.random() < self.p:kps = target["keypoints"]vis = target["visible"]upper_kps = []lower_kps = []# 对可见的keypoints进行归类for i, v in enumerate(vis):if v > 0.5:if i in self.upper_body_ids:upper_kps.append(kps[i])else:lower_kps.append(kps[i])# 50%的概率选择上或下半身if random.random() < 0.5:selected_kps = upper_kpselse:selected_kps = lower_kps# 如果点数太少就不做任何处理if len(selected_kps) > 2:selected_kps = np.array(selected_kps, dtype=np.float32)xmin, ymin = np.min(selected_kps, axis=0).tolist()  # 寻找x,y坐标的最小值xmax, ymax = np.max(selected_kps, axis=0).tolist()  # 寻找x,y坐标的最大值w = xmax - xminh = ymax - yminif w > 1 and h > 1:# 把w和h适当放大点，要不然关键点处于边缘位置xmin, ymin, w, h = scale_box(xmin, ymin, w, h, (1.5, 1.5))target["box"] = [xmin, ymin, w, h]return image, target

对上述代码做相关解释，首先以一定概率p（0.3）对图像进行HalfBody操作，若满足条件，获取关键点坐标和可见性，如下：

接着按照上半身和下半身对17个关键点进行分类，结果如下：【注意：这里只有15个关键点，因为vis表格有两个0值，表示有两个点没有标注,被if v > 0.5过滤掉了】

上半身一个9个关键点，下半身一共6个关键点，这就是根据upper_body_ids和lower_body_ids来划分的。【注：大家这里要是不理解一定要自己调试看看】

然后会以0.5的概率选择上半身的关键点或者下半身的关键点。如果发现选择的一半身体的关键点个数小于等于2个，则不做任何处理，返回原有的image和target。若关键点个数大于2，则执行以下代码：

if len(selected_kps) > 2:selected_kps = np.array(selected_kps, dtype=np.float32)xmin, ymin = np.min(selected_kps, axis=0).tolist()  # 寻找x,y坐标的最小值xmax, ymax = np.max(selected_kps, axis=0).tolist()  # 寻找x,y坐标的最大值w = xmax - xminh = ymax - yminif w > 1 and h > 1:# 把w和h适当放大点，要不然关键点处于边缘位置xmin, ymin, w, h = scale_box(xmin, ymin, w, h, (1.5, 1.5))target["box"] = [xmin, ymin, w, h]

我先来介绍一下这段代码主要干了什么，其实就是找到新的目标（上半身或下半身）的bbox，我画图为大家解释一下：

这里我们其实是可以得到一个bbox了，但是其太靠近物体边缘了，放大1.5倍，代码如下：

def scale_box(xmin: float, ymin: float, w: float, h: float, scale_ratio: Tuple[float, float]):"""根据传入的h、w缩放因子scale_ratio，重新计算xmin，ymin，w，h"""s_h = h * scale_ratio[0]s_w = w * scale_ratio[1]xmin = xmin - (s_w - w) / 2.ymin = ymin - (s_h - h) / 2.return xmin, ymin, s_w, s_h

同样画个图帮大家理解，如下：

transforms.AffineTransform

AffineTransform——仿射变化，这个是干什么的，我来帮大家解释一下这个仿射变换干了什么，其实就是需要原始图像和目标图像中三个对应点**（代码中使用的是图像中心点，上边界中心点和右边界中心点）**，然后通过这三个点将原始图像变换倒目标图像。

enmmm，大家是不是没怎么明白，别急，我会带大家看看代码，并可视化输出结果，这样大家就能直观的感受到仿射变换到底做了什么了。

首先第一步会调整上一步骤得到的bbox的长宽比，使其符合h:w=256:192，这个是我们输入图片的尺寸，具体代码如下：

src_xmin, src_ymin, src_xmax, src_ymax = adjust_box(*target["box"], self.fixed_size)def adjust_box(xmin: float, ymin: float, w: float, h: float, fixed_size: Tuple[float, float]):"""通过增加w或者h的方式保证输入图片的长宽比固定"""xmax = xmin + wymax = ymin + hhw_ratio = fixed_size[0] / fixed_size[1]if h / w > hw_ratio:# 需要在w方向paddingwi = h / hw_ratiopad_w = (wi - w) / 2xmin = xmin - pad_wxmax = xmax + pad_welse:# 需要在h方向paddinghi = w * hw_ratiopad_h = (hi - h) / 2ymin = ymin - pad_hymax = ymax + pad_hreturn xmin, ymin, xmax, ymax

我们可以看看调整bbox后的图像，如下：

你可能看不出bbox的长宽比，但其就是256：192，其高度h为71.507，宽度w为53.630，精度上有点差别，不相信的大家自己去调试试试喔~~~🍡🍡🍡

接着我们就寻找原图像（bbox）和目标图像的三个点：

src_w = src_xmax - src_xmin
src_h = src_ymax - src_yminsrc_center = np.array([(src_xmin + src_xmax) / 2, (src_ymin + src_ymax) / 2])
src_p2 = src_center + np.array([0, -src_h / 2])  # top middle
src_p3 = src_center + np.array([src_w / 2, 0])   # right middledst_center = np.array([(self.fixed_size[1] - 1) / 2, (self.fixed_size[0] - 1) / 2])
dst_p2 = np.array([(self.fixed_size[1] - 1) / 2, 0])  # top middle
dst_p3 = np.array([self.fixed_size[1] - 1, (self.fixed_size[0] - 1) / 2])

然后对bbox进行缩放和旋转，先是缩放，

if self.scale is not None:scale = random.uniform(*self.scale)src_w = src_w * scalesrc_h = src_h * scalesrc_p2 = src_center + np.array([0, -src_h / 2])  # top middlesrc_p3 = src_center + np.array([src_w / 2, 0])   # right middle

我们来看看缩放后的bbox: 【注意这里我调试时的scale取0.7115，所以bbox变小了】

然后是旋转：【注意这里我调试时的angle取-25，所以bbox逆时针旋转了25°】

if self.rotation is not None:angle = random.randint(*self.rotation)  # 角度制angle = angle / 180 * math.pi  # 弧度制src_p2 = src_center + np.array([src_h / 2 * math.sin(angle), -src_h / 2 * math.cos(angle)])src_p3 = src_center + np.array([src_w / 2 * math.cos(angle), src_w / 2 * math.sin(angle)])

我们再来看看旋转后的结果：

最后就是仿射变换了：

src = np.stack([src_center, src_p2, src_p3]).astype(np.float32)
dst = np.stack([dst_center, dst_p2, dst_p3]).astype(np.float32)trans = cv2.getAffineTransform(src, dst)  # 计算正向仿射变换矩阵
dst /= 4  # 网络预测的heatmap尺寸是输入图像的1/4
reverse_trans = cv2.getAffineTransform(dst, src)  # 计算逆向仿射变换矩阵，方便后续还原# 对图像进行仿射变换
resize_img = cv2.warpAffine(img,trans,tuple(self.fixed_size[::-1]),  # [w, h]flags=cv2.INTER_LINEAR)

同样的我们来看看最后的resize_img长什么样，如下：【resize_img的大小是256*192喔】

到这里我们对图像的操作就完成了,不要忘记我们还要对标签进行同样的操作喔，关键点检测的标签就是一个个点嘛，如下：

if "keypoints" in target:kps = target["keypoints"]mask = np.logical_and(kps[:, 0] != 0, kps[:, 1] != 0)kps[mask] = affine_points(kps[mask], trans)target["keypoints"] = kpsdef affine_points(pt, t):ones = np.ones((pt.shape[0], 1), dtype=float)pt = np.concatenate([pt, ones], axis=1).Tnew_pt = np.dot(t, pt)return new_pt.T

---

最后再来用一个图来总结一下仿射变换都做了什么，如下：

transforms.RandomHorizontalFlip

RandomHorizontalFlip——水平翻转。我想对这个数据增强手段大家都比较熟悉，就是将图片左右进行翻转，其最后实现的效果如下图所示：

和仿射变换一样，要实现水平翻转，我们不仅需要对图片进行水平翻转操作，同样需要对标签进行同步操作，我们分别来看看如何对图片和标签进行水平翻转操作的叭。

• 图片

  对图片进行水平翻转的操作很简单啦，只需要一行代码就可以了喔，如下：

  image = np.ascontiguousarray(np.flip(image, axis=[1]))    # 水平左右翻转
  

• 标签

  对标签进行翻转是这步的难点，我当时阅读这部分的代码时弄了很长时间才明白，其实要画一个图大家就能很容易的理解。我们先来看代码叭：【注：我没有复制所有代码过来了，挑了关键的代码】

  # Flip horizontal
  keypoints[:, 0] = width - keypoints[:, 0] - 1
  

  这句代码什么意思呢？其实就是将关键点水平翻转了一下，作图帮大家理解：

  

  大家会不会认为这样就结束了呢，其实很没有，我们来看看代码中还做了什么，如下：

  # matched_parts这些值对应COCO人体关键点，交换人体关键点中对称的点，这个是person_keypoints.json文件中的flip_pairs
  # Change left-right parts
  for pair in self.matched_parts:keypoints[pair[0], :], keypoints[pair[1], :] = \keypoints[pair[1], :], keypoints[pair[0], :].copy()visible[pair[0]], visible[pair[1]] = \visible[pair[1]], visible[pair[0]].copy()
  

  这步交换了人体关键点中堆成的关键点，为什么要这么做，我当时就是这里疑惑了好久好久，我来画个图帮大家理解一下：

  

这样你可能还看不出端倪，我在画出水平翻转后的图像，如下：

你会发现如果单纯的将两个点对应过来，左右关系会对调，因此需要把标签进行左右互换。【大家这里如果觉得不好理解的话，可以自己动动手，画画图，相信你会有所收获】

transforms.KeypointToHeatMap

KeypointToHeatMap——将关键点映射为热力图。我们在理论部分说到，HRNet是基于热力图实现关键点检测，不清楚的可以去原理详解篇寻找寻找答案。那么其是怎么将关键点映射成热力图的呢，我们一起来看看代码是怎么实现的叭。

首先，先来看看其__init__函数：

def __init__(self,heatmap_hw: Tuple[int, int] = (256 // 4, 192 // 4),gaussian_sigma: int = 2,keypoints_weights=None):self.heatmap_hw = heatmap_hwself.sigma = gaussian_sigmaself.kernel_radius = self.sigma * 3self.use_kps_weights = False if keypoints_weights is None else Trueself.kps_weights = keypoints_weights# generate gaussian kernel(not normalized)kernel_size = 2 * self.kernel_radius + 1kernel = np.zeros((kernel_size, kernel_size), dtype=np.float32)x_center = y_center = kernel_size // 2for x in range(kernel_size):for y in range(kernel_size):kernel[y, x] = np.exp(-((x - x_center) ** 2 + (y - y_center) ** 2) / (2 * self.sigma ** 2))# print(kernel)self.kernel = kernel

这段主要定义了存储热力图的宽度和高度、高斯标准差和关键点权重等信息，然后生成了一个大小为13*13的高斯核kernel（中间的值大，往四周扩散值越来越小），如下图所示：

接着我们来看__call__函数：

def __call__(self, image, target):kps = target["keypoints"]num_kps = kps.shape[0]kps_weights = np.ones((num_kps,), dtype=np.float32)if "visible" in target:visible = target["visible"]kps_weights = visibleheatmap = np.zeros((num_kps, self.heatmap_hw[0], self.heatmap_hw[1]), dtype=np.float32)heatmap_kps = (kps / 4 + 0.5).astype(np.int)  # roundfor kp_id in range(num_kps):v = kps_weights[kp_id]if v < 0.5:# 如果该点的可见度很低，则直接忽略continuex, y = heatmap_kps[kp_id]ul = [x - self.kernel_radius, y - self.kernel_radius]  # up-left x,ybr = [x + self.kernel_radius, y + self.kernel_radius]  # bottom-right x,y# 如果以xy为中心kernel_radius为半径的辐射范围内与heatmap没交集，则忽略该点(该规则并不严格)if ul[0] > self.heatmap_hw[1] - 1 or \ul[1] > self.heatmap_hw[0] - 1 or \br[0] < 0 or \br[1] < 0:# If not, just return the image as iskps_weights[kp_id] = 0continue# Usable gaussian range# 计算高斯核有效区域（高斯核坐标系）g_x = (max(0, -ul[0]), min(br[0], self.heatmap_hw[1] - 1) - ul[0])g_y = (max(0, -ul[1]), min(br[1], self.heatmap_hw[0] - 1) - ul[1])# image range# 计算heatmap中的有效区域（heatmap坐标系）img_x = (max(0, ul[0]), min(br[0], self.heatmap_hw[1] - 1))img_y = (max(0, ul[1]), min(br[1], self.heatmap_hw[0] - 1))if kps_weights[kp_id] > 0.5:# 将高斯核有效区域复制到heatmap对应区域heatmap[kp_id][img_y[0]:img_y[1] + 1, img_x[0]:img_x[1] + 1] = \self.kernel[g_y[0]:g_y[1] + 1, g_x[0]:g_x[1] + 1]if self.use_kps_weights:kps_weights = np.multiply(kps_weights, self.kps_weights)plot_heatmap(image, heatmap, kps, kps_weights)target["heatmap"] = torch.as_tensor(heatmap, dtype=torch.float32)target["kps_weights"] = torch.as_tensor(kps_weights, dtype=torch.float32)return image, target

我给大家解释一下可能难理解的地方：

heatmap_kps = (kps / 4 + 0.5).astype(np.int)

这句是将关键点的坐标映射到热力图上，因为最终的热力图相较于原图像下采样了4倍，所以要除以4，这里加上0.5是起到一个四舍五入的作用，因为后面要将坐标转为int格式。

ul = [x - self.kernel_radius, y - self.kernel_radius]  # up-left x,y
br = [x + self.kernel_radius, y + self.kernel_radius]  # bottom-right x,y

这两句是找到某个关键点对应热力图的左上角(ul)和右下角(br)的坐标，kernel_radius是高斯核的半径，如下图所示，hw坐标系表示热力图坐标，中间的⚪表示关键点在热力图上的坐标，坐标为(x,y)：

# 如果以xy为中心kernel_radius为半径的辐射范围内与heatmap没交集，则忽略该点(该规则并不严格)
if ul[0] > self.heatmap_hw[1] - 1 or \ul[1] > self.heatmap_hw[0] - 1 or \br[0] < 0 or \br[1] < 0:# If not, just return the image as iskps_weights[kp_id] = 0continue

这句是看看以xy为中心kernel_radius为半径的辐射范围内(就是上图中的正方形区域内)与heatmap（就是上图的hw坐标系，当然其h=64，w=48，并不是无线延长的坐标系）有没有交集，若无交集，则将kps_weights[kp_id]置为0。

# Usable gaussian range
# 计算高斯核有效区域（高斯核坐标系）
g_x = (max(0, -ul[0]), min(br[0], self.heatmap_hw[1] - 1) - ul[0])
g_x = (max(0, -ul[1]), min(br[1], self.heatmap_hw[0] - 1) - ul[1])
# image range
# 计算heatmap中的有效区域（heatmap坐标系）
img_x = (max(0, ul[0]), min(br[0], self.heatmap_hw[1] - 1))
img_y = (max(0, ul[1]), min(br[1], self.heatmap_hw[0] - 1))

这几句分别计算高斯核有效区域和heatmap中的有效区域，为下一步将将高斯核有效区域复制到heatmap对应区域做准备：

if kps_weights[kp_id] > 0.5:# 将高斯核有效区域复制到heatmap对应区域heatmap[kp_id][img_y[0]:img_y[1] + 1, img_x[0]:img_x[1] + 1] = \self.kernel[g_y[0]:g_y[1] + 1, g_x[0]:g_x[1] + 1]

这几句到底实现了什么呢，其实就是把高斯核kernel复制到热力图中，至于复制到什么位置，复制多少，就看g_x、g_x、img_x和img_y了。我调试帮助大家理解一下，比如现在g_x=(0,12)、g_y=(0,12)、img_x=(25,37)和img_y=(12,24)。

g_x[0]:g_x[1]+1=0:12+1、g_y[0]:g_y[1]+1=0:12+1表示复制kernel的x方向(0,12+1)范围内的值和y方向(0,12+1)范围内，你看kernel的shape你会发现，其大小为13*13,那么这个(0,12+1)就是复制整个kernel数组**（这里刚好是整个数组，你调试的话会有不同的结果）**：

那么把这个数组复制到哪里呢，其实就是热力图的对应区域，这是就用到了img_x=(25,37)和img_y=(12,24)，将其复制到热力图w方向(25,37+1)和h方向(12,24+1)的位置，如下图所示：

---

这里展示一下图片和产生热力图的结果，如下图所示：【注：由于不是同一次调试的结果，所以这里的图像和之前的有所差异】

---

最后我还想说一个小点，就是kps_weights这个值，表示的是关键点的权重，如果没有指定这个参数，那么其就默认是关键点的可见性，如果指定了这个参数，其会让原来的可见性乘这个指定的参数，在HRNet中，这个kps_weights默认如下：

小结

HRNet中的在线数据增强方式到这里就为大家介绍完啦，我觉得这部分还是非常重要的，大家可以去认真的学习一下喔，不明白的可以先调试调试，实在搞不懂欢迎评论区和我交流探讨。🥂🥂🥂

网络结构搭建

HRNet的网络结构我在原理详解篇已经为大家介绍过了，也简略的为大家展示了一些代码，但是没用具体介绍网络的详细结构。这里呢，我也不打算介绍了，因为我认为网络搭建部分真的是比较简单的，就像搭积木一样，一层一层的，只要你拿起代码对照着网络结构图调试一遍就会非常清晰了。所以这里大家一定要动起小手来喔！！！🌼🌼🌼

网络训练和预测

我们一起来看看训练阶段的代码，主要看训练一个epoch的情况就好啦，即train_one_epoch函数，首先有一个热身训练的代码：

lr_scheduler = None
if epoch == 0 and warmup is True:  # 当训练第一轮（epoch=0）时，启用warmup训练方式，可理解为热身训练warmup_factor = 1.0 / 1000warmup_iters = min(1000, len(data_loader) - 1)lr_scheduler = utils.warmup_lr_scheduler(optimizer, warmup_iters, warmup_factor)

关于此部分代码可以从我的这篇博客-->poly学习率策略源码详解中查看详情，对这种学习率调整策略有详细解释，链接如下：

深度学习语义分割篇——DeeplabV3原理详解+源码实战🌱🌱🌱

接着就来说说for循环遍历数据集的过程，使用的for循环如下：

for i, [images, targets] in enumerate(metric_logger.log_every(data_loader, print_freq, header)):

我们可以调试进入log_every函数中，注意到log_every函数中有一个yield obj，yield是python中的关键字，是一个生成器，每次log_every运行到yield obj时都会暂停执行下面的代码，而是将obj返回给调用方，这样做的目的是节省内存。

这么说我觉得大家听的还是云里雾里，我画一个图解释一下代码的运行流程：

其按顺序依次执行①②③④⑤，在执行完③时，obj会传给①，得到image和target。知道了这一点，那么剩下的内容就比较简单啦，这里就不在过多叙述咯，不清楚的大家一定要调试调试喔。

---

接下来就是预测过程，我们会通过网络得到输出结果，其尺寸为（1，17，64，48），1表示batch为1，后面我们需要对这个输出做一些后处理操作，使其能够将预测关键点映射到原图上。关于预测过程，我也在HRNet原理详解篇进行了介绍，不清楚的一定要去看看喔🍚🍚🍚

总结

呼呼呼~~~终于写完啦，源码解析篇就到这里结束啦，整个HRNet到这里也结束咯，如果有任何不明白的地方欢迎和我一起探讨，共同进步喔。🥂🥂🥂

参考链接

HRNet论文🍁🍁🍁

HRNet网络简介🍁🍁🍁

HRNet源码🍁🍁🍁

如若文章对你有所帮助，那就🛴🛴🛴