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

def get_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(r20230117113354.jpg, result) model = yolov8_heatmap(**get_params()) 这行代码为初始化 model(r20230117113354.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： 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
  
 
  
 
  
 
  
 
  
 
  
 
  
 。 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！