Minor fix - what pip-packages are required for Python scripts

AlexeyAB

2018-05-06 c9b8bdee1886df5f83973d91c3597c28f99a9e0c

 src/region_layer.c

@@ -53,6 +53,8 @@

void resize_region_layer(layer *l, int w, int h)
{
   int old_w = l->w;
   int old_h = l->h;
    l->w = w;
    l->h = h;

@@ -63,11 +65,13 @@
    l->delta = realloc(l->delta, l->batch*l->outputs*sizeof(float));

#ifdef GPU
    cuda_free(l->delta_gpu);
    cuda_free(l->output_gpu);
   if (old_w < w || old_h < h) {
      cuda_free(l->delta_gpu);
      cuda_free(l->output_gpu);

    l->delta_gpu =     cuda_make_array(l->delta, l->batch*l->outputs);
    l->output_gpu =    cuda_make_array(l->output, l->batch*l->outputs);
      l->delta_gpu = cuda_make_array(l->delta, l->batch*l->outputs);
      l->output_gpu = cuda_make_array(l->output, l->batch*l->outputs);
   }
#endif
}

@@ -106,28 +110,51 @@
    return iou;
}

void delta_region_class(float *output, float *delta, int index, int class, int classes, tree *hier, float scale, float *avg_cat)
void delta_region_class(float *output, float *delta, int index, int class_id, int classes, tree *hier, float scale, float *avg_cat, int focal_loss)
{
    int i, n;
    if(hier){
        float pred = 1;
        while(class >= 0){
            pred *= output[index + class];
            int g = hier->group[class];
        while(class_id >= 0){
            pred *= output[index + class_id];
            int g = hier->group[class_id];
            int offset = hier->group_offset[g];
            for(i = 0; i < hier->group_size[g]; ++i){
                delta[index + offset + i] = scale * (0 - output[index + offset + i]);
            }
            delta[index + class] = scale * (1 - output[index + class]);
            delta[index + class_id] = scale * (1 - output[index + class_id]);

            class = hier->parent[class];
            class_id = hier->parent[class_id];
        }
        *avg_cat += pred;
    } else {
        for(n = 0; n < classes; ++n){
            delta[index + n] = scale * (((n == class)?1 : 0) - output[index + n]);
            if(n == class) *avg_cat += output[index + n];
        }
    } else {		
      // Focal loss
      if (focal_loss) {
         // Focal Loss
         float alpha = 0.5;   // 0.25 or 0.5
         //float gamma = 2;   // hardcoded in many places of the grad-formula	

         int ti = index + class_id;
         float pt = output[ti] + 0.000000000000001F;
         // http://fooplot.com/#W3sidHlwZSI6MCwiZXEiOiItKDEteCkqKDIqeCpsb2coeCkreC0xKSIsImNvbG9yIjoiIzAwMDAwMCJ9LHsidHlwZSI6MTAwMH1d
         float grad = -(1 - pt) * (2 * pt*logf(pt) + pt - 1);  // http://blog.csdn.net/linmingan/article/details/77885832	
         //float grad = (1 - pt) * (2 * pt*logf(pt) + pt - 1); // https://github.com/unsky/focal-loss

         for (n = 0; n < classes; ++n) {
            delta[index + n] = scale * (((n == class_id) ? 1 : 0) - output[index + n]);

            delta[index + n] *= alpha*grad;

            if (n == class_id) *avg_cat += output[index + n];
         }
      }
      else {
         // default
         for (n = 0; n < classes; ++n) {
            delta[index + n] = scale * (((n == class_id) ? 1 : 0) - output[index + n]);
            if (n == class_id) *avg_cat += output[index + n];
         }
      }
    }
}

@@ -141,6 +168,13 @@
    return (x != x);
}

static int entry_index(layer l, int batch, int location, int entry)
{
   int n = location / (l.w*l.h);
   int loc = location % (l.w*l.h);
   return batch*l.outputs + n*l.w*l.h*(l.coords + l.classes + 1) + entry*l.w*l.h + loc;
}

void softmax_tree(float *input, int batch, int inputs, float temp, tree *hierarchy, float *output);
void forward_region_layer(const region_layer l, network_state state)
{
@@ -187,31 +221,31 @@
    *(l.cost) = 0;
    for (b = 0; b < l.batch; ++b) {
        if(l.softmax_tree){
            int onlyclass = 0;
            int onlyclass_id = 0;
            for(t = 0; t < l.max_boxes; ++t){
                box truth = float_to_box(state.truth + t*5 + b*l.truths);
                if(!truth.x) break;
                int class = state.truth[t*5 + b*l.truths + 4];
                int class_id = state.truth[t*5 + b*l.truths + 4];
                float maxp = 0;
                int maxi = 0;
                if(truth.x > 100000 && truth.y > 100000){
                    for(n = 0; n < l.n*l.w*l.h; ++n){
                        int index = size*n + b*l.outputs + 5;
                        float scale =  l.output[index-1];
                        float p = scale*get_hierarchy_probability(l.output + index, l.softmax_tree, class);
                        float p = scale*get_hierarchy_probability(l.output + index, l.softmax_tree, class_id);
                        if(p > maxp){
                            maxp = p;
                            maxi = n;
                        }
                    }
                    int index = size*maxi + b*l.outputs + 5;
                    delta_region_class(l.output, l.delta, index, class, l.classes, l.softmax_tree, l.class_scale, &avg_cat);
                    delta_region_class(l.output, l.delta, index, class_id, l.classes, l.softmax_tree, l.class_scale, &avg_cat, l.focal_loss);
                    ++class_count;
                    onlyclass = 1;
                    onlyclass_id = 1;
                    break;
                }
            }
            if(onlyclass) continue;
            if(onlyclass_id) continue;
        }
        for (j = 0; j < l.h; ++j) {
            for (i = 0; i < l.w; ++i) {
@@ -219,13 +253,13 @@
                    int index = size*(j*l.w*l.n + i*l.n + n) + b*l.outputs;
                    box pred = get_region_box(l.output, l.biases, n, index, i, j, l.w, l.h);
                    float best_iou = 0;
                    int best_class = -1;
                    int best_class_id = -1;
                    for(t = 0; t < l.max_boxes; ++t){
                        box truth = float_to_box(state.truth + t*5 + b*l.truths);
                        if(!truth.x) break;
                        float iou = box_iou(pred, truth);
                        if (iou > best_iou) {
                            best_class = state.truth[t*5 + b*l.truths + 4];
                            best_class_id = state.truth[t*5 + b*l.truths + 4];
                            best_iou = iou;
                        }
                    }
@@ -236,7 +270,7 @@
                        if (best_iou > l.thresh) {
                            l.delta[index + 4] = 0;
                            if(l.classfix > 0){
                                delta_region_class(l.output, l.delta, index + 5, best_class, l.classes, l.softmax_tree, l.class_scale*(l.classfix == 2 ? l.output[index + 4] : 1), &avg_cat);
                                delta_region_class(l.output, l.delta, index + 5, best_class_id, l.classes, l.softmax_tree, l.class_scale*(l.classfix == 2 ? l.output[index + 4] : 1), &avg_cat, l.focal_loss);
                                ++class_count;
                            }
                        }
@@ -306,9 +340,9 @@
            }


            int class = state.truth[t*5 + b*l.truths + 4];
            if (l.map) class = l.map[class];
            delta_region_class(l.output, l.delta, best_index + 5, class, l.classes, l.softmax_tree, l.class_scale, &avg_cat);
            int class_id = state.truth[t*5 + b*l.truths + 4];
            if (l.map) class_id = l.map[class_id];
            delta_region_class(l.output, l.delta, best_index + 5, class_id, l.classes, l.softmax_tree, l.class_scale, &avg_cat, l.focal_loss);
            ++count;
            ++class_count;
        }
@@ -410,7 +444,7 @@
        cuda_pull_array(state.truth, truth_cpu, num_truth);
    }
    cuda_pull_array(l.output_gpu, in_cpu, l.batch*l.inputs);
   cudaStreamSynchronize(get_cuda_stream());
   //cudaStreamSynchronize(get_cuda_stream());
    network_state cpu_state = state;
    cpu_state.train = state.train;
    cpu_state.truth = truth_cpu;
@@ -420,7 +454,7 @@
    free(cpu_state.input);
    if(!state.train) return;
    cuda_push_array(l.delta_gpu, l.delta, l.batch*l.outputs);
   cudaStreamSynchronize(get_cuda_stream());
   //cudaStreamSynchronize(get_cuda_stream());
    if(cpu_state.truth) free(cpu_state.truth);
}

@@ -430,3 +464,110 @@
}
#endif


void correct_region_boxes(detection *dets, int n, int w, int h, int netw, int neth, int relative)
{
   int i;
   int new_w = 0;
   int new_h = 0;
   if (((float)netw / w) < ((float)neth / h)) {
      new_w = netw;
      new_h = (h * netw) / w;
   }
   else {
      new_h = neth;
      new_w = (w * neth) / h;
   }
   for (i = 0; i < n; ++i) {
      box b = dets[i].bbox;
      b.x = (b.x - (netw - new_w) / 2. / netw) / ((float)new_w / netw);
      b.y = (b.y - (neth - new_h) / 2. / neth) / ((float)new_h / neth);
      b.w *= (float)netw / new_w;
      b.h *= (float)neth / new_h;
      if (!relative) {
         b.x *= w;
         b.w *= w;
         b.y *= h;
         b.h *= h;
      }
      dets[i].bbox = b;
   }
}


void get_region_detections(layer l, int w, int h, int netw, int neth, float thresh, int *map, float tree_thresh, int relative, detection *dets)
{
   int i, j, n, z;
   float *predictions = l.output;
   if (l.batch == 2) {
      float *flip = l.output + l.outputs;
      for (j = 0; j < l.h; ++j) {
         for (i = 0; i < l.w / 2; ++i) {
            for (n = 0; n < l.n; ++n) {
               for (z = 0; z < l.classes + l.coords + 1; ++z) {
                  int i1 = z*l.w*l.h*l.n + n*l.w*l.h + j*l.w + i;
                  int i2 = z*l.w*l.h*l.n + n*l.w*l.h + j*l.w + (l.w - i - 1);
                  float swap = flip[i1];
                  flip[i1] = flip[i2];
                  flip[i2] = swap;
                  if (z == 0) {
                     flip[i1] = -flip[i1];
                     flip[i2] = -flip[i2];
                  }
               }
            }
         }
      }
      for (i = 0; i < l.outputs; ++i) {
         l.output[i] = (l.output[i] + flip[i]) / 2.;
      }
   }
   for (i = 0; i < l.w*l.h; ++i) {
      int row = i / l.w;
      int col = i % l.w;
      for (n = 0; n < l.n; ++n) {
         int index = n*l.w*l.h + i;
         for (j = 0; j < l.classes; ++j) {
            dets[index].prob[j] = 0;
         }
         int obj_index = entry_index(l, 0, n*l.w*l.h + i, l.coords);
         int box_index = entry_index(l, 0, n*l.w*l.h + i, 0);
         int mask_index = entry_index(l, 0, n*l.w*l.h + i, 4);
         float scale = l.background ? 1 : predictions[obj_index];
         dets[index].bbox = get_region_box(predictions, l.biases, n, box_index, col, row, l.w, l.h);// , l.w*l.h);
         dets[index].objectness = scale > thresh ? scale : 0;
         if (dets[index].mask) {
            for (j = 0; j < l.coords - 4; ++j) {
               dets[index].mask[j] = l.output[mask_index + j*l.w*l.h];
            }
         }

         int class_index = entry_index(l, 0, n*l.w*l.h + i, l.coords + !l.background);
         if (l.softmax_tree) {

            hierarchy_predictions(predictions + class_index, l.classes, l.softmax_tree, 0);// , l.w*l.h);
            if (map) {
               for (j = 0; j < 200; ++j) {
                  int class_index = entry_index(l, 0, n*l.w*l.h + i, l.coords + 1 + map[j]);
                  float prob = scale*predictions[class_index];
                  dets[index].prob[j] = (prob > thresh) ? prob : 0;
               }
            }
            else {
               int j = hierarchy_top_prediction(predictions + class_index, l.softmax_tree, tree_thresh, l.w*l.h);
               dets[index].prob[j] = (scale > thresh) ? scale : 0;
            }
         }
         else {
            if (dets[index].objectness) {
               for (j = 0; j < l.classes; ++j) {
                  int class_index = entry_index(l, 0, n*l.w*l.h + i, l.coords + 1 + j);
                  float prob = scale*predictions[class_index];
                  dets[index].prob[j] = (prob > thresh) ? prob : 0;
               }
            }
         }
      }
   }
   correct_region_boxes(dets, l.w*l.h*l.n, w, h, netw, neth, relative);
}