写给程序员的机器学习入门 (九) - 对象识别 RCNN 与 Fast-RCNN
引言在前面的文章中，我们学习了图像分类——判断图像中是否存在特定物体。但在实际应用中，我们往往需要知道物体在哪里，这就是对象识别（Object Detection）。RCNN（Region-based Convolutional Neural Networks）是对象识别领域的里程碑，而 Fast-RCNN 则解决了 RCNN 速度慢的问题。本文将从实战角度，带你一步步理解并实现这两个算法。## 对象识别的基本概念对象识别需要完成两个任务：1.识别物体类别（分类）2.定位物体位置（通过边界框 Bounding Box 表示）RCNN 的思路是：先提取候选区域（Region Proposals），然后对每个候选区域进行分类和边界框回归。Fast-RCNN 则通过共享卷积计算来加速。## RCNN 原理与实现### RCNN 工作流程1. 使用选择性搜索（Selective Search）生成约 2000 个候选区域2. 将每个候选区域缩放至固定大小（如 227x227）3. 使用预训练的 CNN 提取特征4. 对每个候选区域使用 SVM 分类器和边界框回归器### 实战代码：RCNN 候选区域提取与特征提取pythonimport cv2import numpy as npimport torchimport torchvision.models as modelsfrom torchvision import transformsfrom PIL import Image# 加载预训练的 ResNet18 模型（去掉全连接层作为特征提取器）class FeatureExtractor(torch.nn.Module): def __init__(self): super().__init__() resnet = models.resnet18(pretrained=True) # 去掉最后的平均池化和全连接层 self.features = torch.nn.Sequential(*list(resnet.children())[:-2]) def forward(self, x): return self.features(x)# 图像预处理transform = transforms.Compose([ transforms.Resize((227, 227)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])# 选择性搜索生成候选区域def selective_search(image): """使用 OpenCV 的选择性搜索生成候选区域""" ss = cv2.ximgproc.segmentation.createSelectiveSearchSegmentation() ss.setBaseImage(image) ss.switchToSelectiveSearchFast() rects = ss.process() # 限制候选区域数量（RCNN 通常取前 2000 个） return rects[:2000]# 提取候选区域特征def extract_region_features(image_path): """对图像中的每个候选区域提取 CNN 特征""" # 加载图像 image = cv2.imread(image_path) image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 生成候选区域 rects = selective_search(image) # 初始化特征提取器 extractor = FeatureExtractor() extractor.eval() features_list = [] for (x, y, w, h) in rects: # 裁剪候选区域 region = image_rgb[y:y+h, x:x+w] # 转换为 PIL 图像并预处理 region_pil = Image.fromarray(region) region_tensor = transform(region_pil).unsqueeze(0) # 提取特征 with torch.no_grad(): features = extractor(region_tensor) features_list.append(features.squeeze().numpy()) return np.array(features_list), rects# 示例：提取特征（假设有一张图片 dog.jpg）# features, rects = extract_region_features('dog.jpg')# print(f"提取了 {len(features)} 个候选区域的特征，每个特征维度为 {features.shape[1]}")## Fast-RCNN 的改进与实现### Fast-RCNN 的创新点1.共享卷积计算：整张图像只经过一次 CNN，而不是每个候选区域都计算2.RoI Pooling：将不同大小的候选区域映射到固定大小的特征图3.多任务损失：同时训练分类器和边界框回归器### 实战代码：Fast-RCNN 核心组件实现pythonimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom torchvision.ops import RoIPoolclass FastRCNN(nn.Module): """简化的 Fast-RCNN 实现（仅用于演示核心思想）""" def __init__(self, num_classes=20): super().__init__() # 共享卷积层（使用预训练的 VGG16 前几层） self.conv_layers = nn.Sequential( nn.Conv2d(3, 64, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(128, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(2), ) # RoI Pooling（输出固定大小 7x7） self.roi_pool = RoIPool(output_size=(7, 7), spatial_scale=1/8) # 因为经过3次池化，缩放因子为1/8 # 分类头 self.fc_cls = nn.Sequential( nn.Linear(256 * 7 * 7, 4096), nn.ReLU(), nn.Dropout(0.5), nn.Linear(4096, num_classes) # 输出类别分数 ) # 边界框回归头 self.fc_reg = nn.Sequential( nn.Linear(256 * 7 * 7, 4096), nn.ReLU(), nn.Dropout(0.5), nn.Linear(4096, num_classes * 4) # 每个类别输出4个坐标偏移 ) def forward(self, images, rois): """ images: 输入图像 batch (N, C, H, W) rois: 候选区域列表，每个元素是 (batch_index, x1, y1, x2, y2) """ # 1. 共享卷积计算 conv_features = self.conv_layers(images) # 2. RoI Pooling pooled_features = self.roi_pool(conv_features, rois) # (num_rois, 256, 7, 7) # 3. 展平特征 flattened = pooled_features.view(pooled_features.size(0), -1) # 4. 分类和回归 cls_scores = self.fc_cls(flattened) # (num_rois, num_classes) reg_deltas = self.fc_reg(flattened) # (num_rois, num_classes * 4) return cls_scores, reg_deltas# 训练示例（模拟数据）def train_fast_rcnn(): """演示 Fast-RCNN 的训练流程""" model = FastRCNN(num_classes=20) # 20个PASCAL VOC类别+背景 # 模拟输入数据 batch_images = torch.randn(2, 3, 224, 224) # 2张图像 # 模拟候选区域（每张图像2个候选区域） rois = torch.tensor([ [0, 10, 10, 50, 50], # 图像1的候选区域1 [0, 30, 30, 80, 80], # 图像1的候选区域2 [1, 5, 5, 40, 40], # 图像2的候选区域1 [1, 60, 60, 100, 100] # 图像2的候选区域2 ], dtype=torch.float) # 模拟标签（类别和边界框） cls_labels = torch.tensor([0, 1, 2, 0]) # 类别ID reg_targets = torch.randn(4, 20 * 4) # 边界框回归目标 # 前向传播 cls_scores, reg_deltas = model(batch_images, rois) # 计算损失 cls_loss = F.cross_entropy(cls_scores, cls_labels) reg_loss = F.smooth_l1_loss(reg_deltas, reg_targets) total_loss = cls_loss + reg_loss print(f"分类损失: {cls_loss.item():.4f}") print(f"回归损失: {reg_loss.item():.4f}") print(f"总损失: {total_loss.item():.4f}") # 反向传播（实际训练时需要优化器） total_loss.backward() print("训练完成！")# 运行训练示例# train_fast_rcnn()## RCNN vs Fast-RCNN 性能对比| 特性 | RCNN | Fast-RCNN ||------|------|-----------|| 候选区域特征提取 | 每个区域单独计算 CNN | 整图计算一次 CNN || 训练速度 | 慢（需要存储中间特征） | 快（端到端训练） || 测试速度 | 每张图约 47 秒 | 每张图约 0.3 秒 || 精度 (mAP) | ~66% | ~70% |## 实际应用注意事项1.候选区域生成：选择性搜索较慢，现代方法使用 RPN（Region Proposal Network）2.NMS（非极大值抑制）：去除重叠的边界框3.数据增强：随机裁剪、翻转等提高泛化能力4.学习率调度：使用 warmup 策略稳定训练## 完整训练流程示例python# 简化的训练循环（仅用于演示结构）def training_loop(model, dataloader, optimizer, num_epochs=10): model.train() for epoch in range(num_epochs): total_loss = 0 for batch_idx, (images, rois, cls_labels, reg_targets) in enumerate(dataloader): optimizer.zero_grad() # 前向传播 cls_scores, reg_deltas = model(images, rois) # 计算损失 cls_loss = F.cross_entropy(cls_scores, cls_labels) reg_loss = F.smooth_l1_loss(reg_deltas, reg_targets) loss = cls_loss + reg_loss # 反向传播 loss.backward() optimizer.step() total_loss += loss.item() if batch_idx % 100 == 0: print(f"Epoch {epoch}, Batch {batch_idx}, Loss: {loss.item():.4f}") avg_loss = total_loss / len(dataloader) print(f"Epoch {epoch} 平均损失: {avg_loss:.4f}")## 总结本文从实战角度介绍了对象识别的两个经典算法：RCNN 和 Fast-RCNN。RCNN 开创了 “区域提议 + CNN” 的范式，但速度较慢；Fast-RCNN 通过共享卷积计算和多任务学习大幅提升了效率。虽然现在 Faster-RCNN、YOLO、SSD 等更先进的算法已经普及，但理解 RCNN 和 Fast-RCNN 的核心思想对于掌握对象识别技术至关重要。在实际项目中，建议优先使用 Torchvision 中实现的 Faster-RCNN 或使用 YOLOv5/YOLOv8 等现代框架。但当你需要自定义网络结构或深入优化时，本文介绍的特征提取、RoI Pooling 和多任务损失设计思路将为你提供坚实的基础。记住，机器学习的发展是一个不断迭代的过程，理解经典算法能让你更好地把握最新的技术趋势。
