Fixed densenet201_yolo.cfg - burn_in and poly policy, that changes learning...

AlexeyAB

2018-02-07 4373f897f1a5efd1a58746c44430dc33df925415

 src/yolo_v2_class.hpp

@@ -1,6 +1,8 @@
#pragma once
#include <memory>
#include <vector>
#include <deque>
#include <algorithm>

#ifdef OPENCV
#include <opencv2/opencv.hpp>       // C++
@@ -8,57 +10,95 @@
#include "opencv2/imgproc/imgproc_c.h" // C
#endif   // OPENCV

//extern "C" {
//#include "image.h"
//}

#ifdef YOLODLL_EXPORTS
#if defined(_MSC_VER)
#define YOLODLL_API __declspec(dllexport) 
#else
#define YOLODLL_API __attribute__((visibility("default")))
#endif
#else
#if defined(_MSC_VER)
#define YOLODLL_API __declspec(dllimport) 
#else
#define YOLODLL_API
#endif
#endif

struct bbox_t {
   float x, y, w, h;
   float prob;
   unsigned int obj_id;
   unsigned int x, y, w, h;   // (x,y) - top-left corner, (w, h) - width & height of bounded box
   float prob;             // confidence - probability that the object was found correctly
   unsigned int obj_id;    // class of object - from range [0, classes-1]
   unsigned int track_id;     // tracking id for video (0 - untracked, 1 - inf - tracked object)
   unsigned int frames_counter;// counter of frames on which the object was detected
};

typedef struct {
   int h;
   int w;
   int c;
   float *data;
} image_t;
struct image_t {
   int h;                  // height
   int w;                  // width
   int c;                  // number of chanels (3 - for RGB)
   float *data;            // pointer to the image data
};


class Detector {
   std::shared_ptr<void> detector_gpu_ptr;
   std::deque<std::vector<bbox_t>> prev_bbox_vec_deque;
   const int cur_gpu_id;
public:
   float nms = .4;
   bool wait_stream;

   YOLODLL_API Detector(std::string cfg_filename, std::string weight_filename, int gpu_id = 0);
   YOLODLL_API ~Detector();

   YOLODLL_API std::vector<bbox_t> Detector::detect(std::string image_filename, float thresh = 0.2);
   YOLODLL_API std::vector<bbox_t> detect(std::string image_filename, float thresh = 0.2, bool use_mean = false);
   YOLODLL_API std::vector<bbox_t> detect(image_t img, float thresh = 0.2, bool use_mean = false);
   static YOLODLL_API image_t load_image(std::string image_filename);
   static YOLODLL_API void free_image(image_t m);
   YOLODLL_API int get_net_width() const;
   YOLODLL_API int get_net_height() const;

   YOLODLL_API std::vector<bbox_t> detect(image_t img, float thresh = 0.2);

   YOLODLL_API std::vector<bbox_t> tracking_id(std::vector<bbox_t> cur_bbox_vec, bool const change_history = true, 
                                    int const frames_story = 10, int const max_dist = 150);

#ifdef OPENCV
   std::vector<bbox_t> detect(cv::Mat mat, float thresh = 0.2) {
      std::shared_ptr<image_t> image_ptr(new image_t, [](image_t *img) { free_image(*img); } );
      *image_ptr = mat_to_image(mat);
      return detect(*image_ptr, thresh);
   std::vector<bbox_t> detect(cv::Mat mat, float thresh = 0.2, bool use_mean = false)
   {
      if(mat.data == NULL)
         throw std::runtime_error("Image is empty");
      auto image_ptr = mat_to_image_resize(mat);
      return detect_resized(*image_ptr, mat.size(), thresh, use_mean);
   }

   std::vector<bbox_t> detect_resized(image_t img, cv::Size init_size, float thresh = 0.2, bool use_mean = false)
   {
      if (img.data == NULL)
         throw std::runtime_error("Image is empty");
      auto detection_boxes = detect(img, thresh, use_mean);
      float wk = (float)init_size.width / img.w, hk = (float)init_size.height / img.h;
      for (auto &i : detection_boxes) i.x *= wk, i.w *= wk, i.y *= hk, i.h *= hk;
      return detection_boxes;
   }

   std::shared_ptr<image_t> mat_to_image_resize(cv::Mat mat) const
   {
      if (mat.data == NULL) return std::shared_ptr<image_t>(NULL);
      cv::Mat det_mat;
      cv::resize(mat, det_mat, cv::Size(get_net_width(), get_net_height()));
      return mat_to_image(det_mat);
   }

   static std::shared_ptr<image_t> mat_to_image(cv::Mat img_src)
   {
      cv::Mat img;
      cv::cvtColor(img_src, img, cv::COLOR_RGB2BGR);
      std::shared_ptr<image_t> image_ptr(new image_t, [](image_t *img) { free_image(*img); delete img; });
      std::shared_ptr<IplImage> ipl_small = std::make_shared<IplImage>(img);
      *image_ptr = ipl_to_image(ipl_small.get());
      return image_ptr;
   }

private:
   static image_t mat_to_image(cv::Mat img)
   {
      std::shared_ptr<IplImage> ipl_small = std::make_shared<IplImage>(img);
      image_t im_small = ipl_to_image(ipl_small.get());
      rgbgr_image(im_small);
      return im_small;
   }

   static image_t ipl_to_image(IplImage* src)
   {
@@ -68,15 +108,17 @@
      int c = src->nChannels;
      int step = src->widthStep;
      image_t out = make_image_custom(w, h, c);
      int i, j, k, count = 0;;
      int count = 0;

      for (k = 0; k < c; ++k) {
         for (i = 0; i < h; ++i) {
            for (j = 0; j < w; ++j) {
               out.data[count++] = data[i*step + j*c + k] / 255.;
      for (int k = 0; k < c; ++k) {
         for (int i = 0; i < h; ++i) {
            int i_step = i*step;
            for (int j = 0; j < w; ++j) {
               out.data[count++] = data[i_step + j*c + k] / 255.;
            }
         }
      }

      return out;
   }

@@ -97,24 +139,189 @@
      return out;
   }

   static void rgbgr_image(image_t im)
   {
      int i;
      for (i = 0; i < im.w*im.h; ++i) {
         float swap = im.data[i];
         im.data[i] = im.data[i + im.w*im.h * 2];
         im.data[i + im.w*im.h * 2] = swap;
      }
   }

   static void free_image(image_t m)
   {
      if (m.data) {
         free(m.data);
      }
   }
#endif   // OPENCV

};


#if defined(TRACK_OPTFLOW) && defined(OPENCV)

#include <opencv2/cudaoptflow.hpp>
#include <opencv2/cudaimgproc.hpp>
#include <opencv2/cudaarithm.hpp>
#include <opencv2/core/cuda.hpp>

class Tracker_optflow {
public:
   const int gpu_count;
   const int gpu_id;
   const int flow_error;


   Tracker_optflow(int _gpu_id = 0, int win_size = 7, int max_level = 1, int iterations = 8000, int _flow_error = -1) :
      gpu_count(cv::cuda::getCudaEnabledDeviceCount()), gpu_id(std::min(_gpu_id, gpu_count-1)),
      flow_error((_flow_error > 0)? _flow_error:(win_size*4))
   {
      int const old_gpu_id = cv::cuda::getDevice();
      cv::cuda::setDevice(gpu_id);

      stream = cv::cuda::Stream();

      sync_PyrLKOpticalFlow_gpu = cv::cuda::SparsePyrLKOpticalFlow::create();
      sync_PyrLKOpticalFlow_gpu->setWinSize(cv::Size(win_size, win_size)); // 9, 15, 21, 31
      sync_PyrLKOpticalFlow_gpu->setMaxLevel(max_level);    // +- 3 pt
      sync_PyrLKOpticalFlow_gpu->setNumIters(iterations);   // 2000, def: 30

      cv::cuda::setDevice(old_gpu_id);
   }

   // just to avoid extra allocations
   cv::cuda::GpuMat src_mat_gpu;
   cv::cuda::GpuMat dst_mat_gpu, dst_grey_gpu;
   cv::cuda::GpuMat prev_pts_flow_gpu, cur_pts_flow_gpu;
   cv::cuda::GpuMat status_gpu, err_gpu;

   cv::cuda::GpuMat src_grey_gpu;   // used in both functions
   cv::Ptr<cv::cuda::SparsePyrLKOpticalFlow> sync_PyrLKOpticalFlow_gpu;
   cv::cuda::Stream stream;

   std::vector<bbox_t> cur_bbox_vec;
   std::vector<bool> good_bbox_vec_flags;
   cv::Mat prev_pts_flow_cpu;

   void update_cur_bbox_vec(std::vector<bbox_t> _cur_bbox_vec)
   {
      cur_bbox_vec = _cur_bbox_vec;
      good_bbox_vec_flags.resize(cur_bbox_vec.size());
      for (auto &i : good_bbox_vec_flags) i = true;
      cv::Mat prev_pts, cur_pts_flow_cpu;

      for (auto &i : cur_bbox_vec) {
         float x_center = (i.x + i.w / 2.0F);
         float y_center = (i.y + i.h / 2.0F);
         prev_pts.push_back(cv::Point2f(x_center, y_center));
      }

      if (prev_pts.rows == 0)
         prev_pts_flow_cpu = cv::Mat();
      else
         cv::transpose(prev_pts, prev_pts_flow_cpu);

      if (prev_pts_flow_gpu.cols < prev_pts_flow_cpu.cols) {
         prev_pts_flow_gpu = cv::cuda::GpuMat(prev_pts_flow_cpu.size(), prev_pts_flow_cpu.type());
         cur_pts_flow_gpu = cv::cuda::GpuMat(prev_pts_flow_cpu.size(), prev_pts_flow_cpu.type());

         status_gpu = cv::cuda::GpuMat(prev_pts_flow_cpu.size(), CV_8UC1);
         err_gpu = cv::cuda::GpuMat(prev_pts_flow_cpu.size(), CV_32FC1);
      }

      prev_pts_flow_gpu.upload(cv::Mat(prev_pts_flow_cpu), stream);
   }


   void update_tracking_flow(cv::Mat src_mat, std::vector<bbox_t> _cur_bbox_vec)
   {
      int const old_gpu_id = cv::cuda::getDevice();
      if (old_gpu_id != gpu_id)
         cv::cuda::setDevice(gpu_id);

      if (src_mat.channels() == 3) {
         if (src_mat_gpu.cols == 0) {
            src_mat_gpu = cv::cuda::GpuMat(src_mat.size(), src_mat.type());
            src_grey_gpu = cv::cuda::GpuMat(src_mat.size(), CV_8UC1);
         }

         update_cur_bbox_vec(_cur_bbox_vec);

         //src_grey_gpu.upload(src_mat, stream);   // use BGR
         src_mat_gpu.upload(src_mat, stream);
         cv::cuda::cvtColor(src_mat_gpu, src_grey_gpu, CV_BGR2GRAY, 1, stream);
      }
      if (old_gpu_id != gpu_id)
         cv::cuda::setDevice(old_gpu_id);
   }


   std::vector<bbox_t> tracking_flow(cv::Mat dst_mat, bool check_error = true)
   {
      if (sync_PyrLKOpticalFlow_gpu.empty()) {
         std::cout << "sync_PyrLKOpticalFlow_gpu isn't initialized \n";
         return cur_bbox_vec;
      }

      int const old_gpu_id = cv::cuda::getDevice();
      if(old_gpu_id != gpu_id)
         cv::cuda::setDevice(gpu_id);

      if (dst_mat_gpu.cols == 0) {
         dst_mat_gpu = cv::cuda::GpuMat(dst_mat.size(), dst_mat.type());
         dst_grey_gpu = cv::cuda::GpuMat(dst_mat.size(), CV_8UC1);
      }

      //dst_grey_gpu.upload(dst_mat, stream);   // use BGR
      dst_mat_gpu.upload(dst_mat, stream);
      cv::cuda::cvtColor(dst_mat_gpu, dst_grey_gpu, CV_BGR2GRAY, 1, stream);

      if (src_grey_gpu.rows != dst_grey_gpu.rows || src_grey_gpu.cols != dst_grey_gpu.cols) {
         stream.waitForCompletion();
         src_grey_gpu = dst_grey_gpu.clone();
         cv::cuda::setDevice(old_gpu_id);
         return cur_bbox_vec;
      }

      ////sync_PyrLKOpticalFlow_gpu.sparse(src_grey_gpu, dst_grey_gpu, prev_pts_flow_gpu, cur_pts_flow_gpu, status_gpu, &err_gpu);  // OpenCV 2.4.x
      sync_PyrLKOpticalFlow_gpu->calc(src_grey_gpu, dst_grey_gpu, prev_pts_flow_gpu, cur_pts_flow_gpu, status_gpu, err_gpu, stream);   // OpenCV 3.x

      cv::Mat cur_pts_flow_cpu;
      cur_pts_flow_gpu.download(cur_pts_flow_cpu, stream);

      dst_grey_gpu.copyTo(src_grey_gpu, stream);

      cv::Mat err_cpu, status_cpu;
      err_gpu.download(err_cpu, stream);
      status_gpu.download(status_cpu, stream);

      stream.waitForCompletion();

      std::vector<bbox_t> result_bbox_vec;

      if (err_cpu.cols == cur_bbox_vec.size() && status_cpu.cols == cur_bbox_vec.size()) 
      {
         for (size_t i = 0; i < cur_bbox_vec.size(); ++i)
         {
            cv::Point2f cur_key_pt = cur_pts_flow_cpu.at<cv::Point2f>(0, i);
            cv::Point2f prev_key_pt = prev_pts_flow_cpu.at<cv::Point2f>(0, i);

            float moved_x = cur_key_pt.x - prev_key_pt.x;
            float moved_y = cur_key_pt.y - prev_key_pt.y;

            if (abs(moved_x) < 100 && abs(moved_y) < 100 && good_bbox_vec_flags[i])
               if (err_cpu.at<float>(0, i) < flow_error && status_cpu.at<unsigned char>(0, i) != 0)
               {
                  cur_bbox_vec[i].x += moved_x + 0.5;
                  cur_bbox_vec[i].y += moved_y + 0.5;
                  result_bbox_vec.push_back(cur_bbox_vec[i]);
               }
               else good_bbox_vec_flags[i] = false;
            else good_bbox_vec_flags[i] = false;

            //if(!check_error && !good_bbox_vec_flags[i]) result_bbox_vec.push_back(cur_bbox_vec[i]);
         }
      }

      cur_pts_flow_gpu.swap(prev_pts_flow_gpu);
      cur_pts_flow_cpu.copyTo(prev_pts_flow_cpu);

      if (old_gpu_id != gpu_id)
         cv::cuda::setDevice(old_gpu_id);

      return result_bbox_vec;
   }

};
#else

class Tracker_optflow {};

#endif   // defined(TRACK_OPTFLOW) && defined(OPENCV)