8个计算机视觉深度学习中常见的Bug

给大家总结了8个计算机视觉深度学习中的个计常见bug，相信大家或多或少都遇到过，算机视觉深度希望能帮助大家避免一些问题。学习

人是中常不完美的，我们经常在软件中犯错误。个计有时这些错误很容易发现：你的算机视觉深度代码根本不能工作，你的学习应用程序崩溃等等。但是中常有些bug是隐藏的，这使得它们更加危险。个计

在解决深度学习问题时，算机视觉深度由于一些不确定性，学习很容易出现这种类型的中常bug：很容易看到web应用程序路由请求是否正确，而不容易检查你的个计梯度下降步骤是否正确。然而，算机视觉深度有很多错误是学习可以避免的。 

我想分享一些我的经验，关于我在过去两年的计算机视觉工作中看到或制造的错误。云服务器提供商我(在会议上)谈到过这个话题(https://datafest.ru/ia/)，很多人在会后告诉我：“是的，我也有很多这样的bug。”我希望我的文章可以帮助你至少避免其中的一些问题。

1. 翻转图片以及关键点.

假设在关键点检测的问题上。数据看起来像一对图像和一系列的关键点元组。其中每个关键点是一对x和y坐标。

让我们对这个数据进行基础的增强： 

def flip_img_and_keypoints(img: np.ndarray, kpts: Sequence[Sequence[int]]):   img = np.fliplr(img)  h, w, *_ = img.shape  kpts = [(y, w - x) for y, x in kpts]  return img, kpts 

看起来是正确的，嗯?我们把它可视化。 

image = np.ones((10, 10), dtype=np.float32) kpts = [(0, 1), (2, 2)] image_flipped, kpts_flipped = flip_img_and_keypoints(image, kpts) img1 = image.copy() for y, x in kpts:  img1[y, x] = 0 img2 = image_flipped.copy() for y, x in kpts_flipped:  img2[y, x] = 0 _ = plt.imshow(np.hstack((img1, img2))) 

 

不对称，看起来很奇怪!如果我们检查极值呢? 

image = np.ones((10, 10), dtype=np.float32) 

不好!这是一个典型的off-by-one错误。正确的代码是这样的: 

def flip_img_and_keypoints(img: np.ndarray, kpts: Sequence[Sequence[int]]):   img = np.fliplr(img)  h, w, *_ = img.shape  kpts = [(y, w - x - 1) for y, x in kpts]  return img, kpts 

我们通过可视化发现了这个问题，但是，使用“x = 0”点进行单元测试也会有所帮助。一个有趣的事实是香港云服务器：有一个团队中有三个人(包括我自己)独立地犯了几乎相同的错误。

2. 继续是关键点相关的问题

即使在上面的函数被修复之后，仍然存在危险。现在更多的是语义，而不仅仅是一段代码。

假设需要用两只手掌来增强图像。看起来很安全：手是左，右翻转。 

但是等等!我们对关键点的语义并不很了解。如果这个关键点的意思是这样的： 

kpts = [  (20, 20), # left pinky  (20, 200), # right pinky  ...  ] 

 

这意味着增强实际上改变了语义：左变成右，右变成左，但我们不交换数组中的关键点索引。它会给训练带来大量的噪音和更糟糕的度量。

我们应该吸取一个教训：

在应用增强或其他花哨的功能之前，了解并考虑数据结构和语义 保持你的实验原子性：添加一个小的网站模板变化(例如一个新的变换)，检查它如何进行，如果分数提高才加进去。

3. 编写自己的损失函数

熟悉语义分割问题的人可能知道IoU指标。不幸的是，我们不能直接用SGD来优化它，所以常用的方法是用可微损失函数来近似它。 

def iou_continuous_loss(y_pred, y_true):  eps = 1e-6  def _sum(x):  return x.sum(-1).sum(-1)  numerator = (_sum(y_true * y_pred) + eps)  denominator = (_sum(y_true ** 2) + _sum(y_pred ** 2)  - _sum(y_true * y_pred) + eps)  return (numerator / denominator).mean() 

看起来不错，我们先做个小的检查： 

In [3]: ones = np.ones((1, 3, 10, 10))  ...: x1 = iou_continuous_loss(ones * 0.01, ones)  ...: x2 = iou_continuous_loss(ones * 0.99, ones) In [4]: x1, x2 Out[4]: (0.010099999897990103, 0.9998990001020204) 

在 x1中，我们计算了一些与ground truth完全不同的东西的损失，而 x2则是非常接近ground truth的东西的结果。我们预计 x1会很大，因为预测是错误的， x2应该接近于零。怎么了?

上面的函数是对metric的一个很好的近似。metric不是一种损失：它通常(包括这种情况)越高越好。当我们使用SGD来最小化损失时，我们应该使用一些相反的东西： 

def iou_continuous(y_pred, y_true):  eps = 1e-6  def _sum(x):  return x.sum(-1).sum(-1)  numerator = (_sum(y_true * y_pred) + eps)  denominator = (_sum(y_true ** 2) + _sum(y_pred ** 2)  - _sum(y_true * y_pred) + eps)  return (numerator / denominator).mean() def iou_continuous_loss(y_pred, y_true):  return 1 - iou_continuous(y_pred, y_true) 

这些问题可以从两个方面来确定：

编写一个单元测试，检查损失的方向：形式化的期望，更接近ground truth应该输出更低的损失。 运行一个健全的检查，让你的模型在单个batch中过拟合。

4. 当我们使用Pytorch的时候

假设有一个预先训练好的模型，开始做infer。 

from ceevee.base import AbstractPredictor class MySuperPredictor(AbstractPredictor):  def __init__(self,  weights_path: str,  ):  super().__init__()  self.model = self._load_model(weights_path=weights_path)  def process(self, x, *kw):  with torch.no_grad():  res = self.model(x)  return res  @staticmethod  def _load_model(weights_path):  model = ModelClass()  weights = torch.load(weights_path, map_location=cpu)  model.load_state_dict(weights)  return model 

这个代码正确吗?也许!这确实适用于某些模型。例如，当模型没有dropout或norm层，如 torch.nn.BatchNorm2d。或者当模型需要为每个图像使用实际的norm统计量时(例如，许多基于pix2pix的架构需要它)。

但是对于大多数计算机视觉应用程序来说，代码忽略了一些重要的东西:切换到评估模式。

如果试图将动态PyTorch图转换为静态PyTorch图，这个问题很容易识别。 torch.jit用于这种转换。 

In [3]: model = nn.Sequential(  ...: nn.Linear(10, 10),  ...: nn.Dropout(.5)  ...: )  ...:  ...: traced_model = torch.jit.trace(model, torch.rand(10)) /Users/Arseny/.pyenv/versions/3.6.6/lib/python3.6/site-packages/torch/jit/__init__.py:914: TracerWarning: Trace had nondeterministic nodes. Did you forget call .eval() on your model? Nodes:     %12 : Float(10) = aten::dropout(%input, %10, %11), scope: Sequential/Dropout[1] # /Users/Arseny/.pyenv/versions/3.6.6/lib/python3.6/site-packages/torch/nn/functional.py:806:0 This may cause errors in trace checking. To disable trace checking, pass check_trace=False to torch.jit.trace()  check_tolerance, _force_outplace, True, _module_class) /Users/Arseny/.pyenv/versions/3.6.6/lib/python3.6/site-packages/torch/jit/__init__.py:914: TracerWarning: Output nr 1. of the traced function does not match the corresponding output of the Python function. Detailed error: Not within tolerance rtol=1e-05 atol=1e-05 at input[5] (0.0 vs. 0.5454154014587402) and 5 other locations (60.00%) check_tolerance, _force_outplace, True, _module_class) 

简单的修复一下： 

In [4]: model = nn.Sequential(  ...: nn.Linear(10, 10),  ...: nn.Dropout(.5)  ...: )  ...:  ...: traced_model = torch.jit.trace(model.eval(), torch.rand(10))  # No more warnings! 

在这种情况下， torch.jit.trace将模型运行几次并比较结果。这里的差别是可疑的。

然而 torch.jit.trace在这里不是万能药。这是一种应该知道和记住的细微差别。

5. 复制粘贴的问题

很多东西都是成对存在的：训练和验证、宽度和高度、纬度和经度…… 

def make_dataloaders(train_cfg, val_cfg, batch_size):  train = Dataset.from_config(train_cfg)  val = Dataset.from_config(val_cfg)  shared_params = { batch_size: batch_size, shuffle: True, num_workers: cpu_count()}  train = DataLoader(train, **shared_params)  val = DataLoader(train, **shared_params)  return train, val 

不仅仅是我犯了愚蠢的错误。例如，在非常流行的albumentations库也有一个类似的版本。 

# https://github.com/albu/albumentations/blob/0.3.0/albumentations/augmentations/transforms.py def apply_to_keypoint(self, keypoint, crop_height=0, crop_width=0, h_start=0, w_start=0, rows=0, cols=0, **params):  keypoint = F.keypoint_random_crop(keypoint, crop_height, crop_width, h_start, w_start, rows, cols)  scale_x = self.width / crop_height  scale_y = self.height / crop_height  keypoint = F.keypoint_scale(keypoint, scale_x, scale_y)  return keypoint 

别担心，已经修改好了。

如何避免?不要复制和粘贴代码，尽量以不需要复制和粘贴的方式编写代码。 

datasets = [] data_a = get_dataset(MyDataset(config[dataset_a]), config[shared_param], param_a) datasets.append(data_a) data_b = get_dataset(MyDataset(config[dataset_b]), config[shared_param], param_b) datasets.append(data_b)   datasets = [] for name, param in zip((dataset_a, dataset_b),   (param_a, param_b),  ):  datasets.append(get_dataset(MyDataset(config[name]), config[shared_param], param)) 

6. 合适的数据类型

让我们编写一个新的增强： 

def add_noise(img: np.ndarray) -> np.ndarray:  mask = np.random.rand(*img.shape) + .5  img = img.astype(float32) * mask  return img.astype(uint8) 

 

图像已被更改。这是我们所期望的吗?嗯，也许它改变得太多了。

这里有一个危险的操作：将 float32 转换为 uint8。它可能会导致溢出： 

def add_noise(img: np.ndarray) -> np.ndarray:  mask = np.random.rand(*img.shape) + .5  img = img.astype(float32) * mask  return np.clip(img, 0, 255).astype(uint8) img = add_noise(cv2.imread(two_hands.jpg)[:, :, ::-1])  _ = plt.imshow(img) 

 

看起来好多了，是吧?

顺便说一句，还有一种方法可以避免这个问题：不要重新发明轮子，不要从头开始编写增强代码并使用现有的扩展： albumentations.augmentations.transforms.GaussNoise。

我曾经做过另一个同样起源的bug。 

raw_mask = cv2.imread(mask_small.png) mask = raw_mask.astype(float32) / 255 mask = cv2.resize(mask, (64, 64), interpolation=cv2.INTER_LINEAR) mask = cv2.resize(mask, (128, 128), interpolation=cv2.INTER_CUBIC) mask = (mask * 255).astype(uint8) _ = plt.imshow(np.hstack((raw_mask, mask))) 

这里出了什么问题?首先，用三次插值调整掩模的大小是一个坏主意。同样的问题 float32到 uint8：三次插值可以输出值大于输入，这会导致溢出。 

我在做可视化的时候发现了这个问题。在你的训练循环中到处放置断言也是一个好主意。

7. 拼写错误

假设需要对全卷积网络(如语义分割问题)和一个巨大的图像进行推理。该图像是如此巨大，没有机会把它放在你的GPU中，它可以是一个医疗或卫星图像。

在这种情况下，可以将图像分割成网格，独立地对每一块进行推理，最后合并。此外，一些预测交叉可能有助于平滑边界附近的artifacts。 

from tqdm import tqdm class GridPredictor:  """  This class can be used to predict a segmentation mask for the big image   when you have GPU memory limitation  """  def __init__(self, predictor: AbstractPredictor, size: int, stride: Optional[int] = None):  self.predictor = predictor  self.size = size  self.stride = stride if stride is not None else size // 2  def __call__(self, x: np.ndarray):  h, w, _ = x.shape  mask = np.zeros((h, w, 1), dtype=float32)  weights = mask.copy()  for i in tqdm(range(0, h - 1, self.stride)):  for j in range(0, w - 1, self.stride):  a, b, c, d = i, min(h, i + self.size), j, min(w, j + self.size)  patch = x[a:b, c:d, :]  mask[a:b, c:d, :] += np.expand_dims(self.predictor(patch), -1)  weights[a:b, c:d, :] = 1  return mask / weights 

有一个符号输入错误，代码段足够大，可以很容易地找到它。我怀疑仅仅通过代码就能快速识别它。但是很容易检查代码是否正确： 

class Model(nn.Module):  def forward(self, x):  return x.mean(axis=-1) model = Model() grid_predictor = GridPredictor(model, size=128, stride=64) simple_pred = np.expand_dims(model(img), -1)  grid_pred = grid_predictor(img) np.testing.assert_allclose(simple_pred, grid_pred, atol=.001) --------------------------------------------------------------------------- AssertionError Traceback (most recent call last) <ipython-input-24-a72034c717e9> in <module>  9 grid_pred = grid_predictor(img)  10  ---> 11 np.testing.assert_allclose(simple_pred, grid_pred, atol=.001) ~/.pyenv/versions/3.6.6/lib/python3.6/site-packages/numpy/testing/_private/utils.py in assert_allclose(actual, desired, rtol, atol, equal_nan, err_msg, verbose)  1513 header = Not equal to tolerance rtol=%g, atol=%g % (rtol, atol)  1514 assert_array_compare(compare, actual, desired, err_msg=str(err_msg), -> 1515 verbose=verbose, header=header, equal_nan=equal_nan)  1516   1517  ~/.pyenv/versions/3.6.6/lib/python3.6/site-packages/numpy/testing/_private/utils.py in assert_array_compare(comparison, x, y, err_msg, verbose, header, precision, equal_nan, equal_inf)  839 verbose=verbose, header=header,  840 names=(x, y), precision=precision) --> 841 raise AssertionError(msg)  842 except ValueError:  843 import traceback AssertionError:  Not equal to tolerance rtol=1e-07, atol=0.001 Mismatch: 99.6% Max absolute difference: 765. Max relative difference: 0.75000001  x: array([[[215.333333],  [192.666667],  [250. ],...  y: array([[[ 215.33333],  [ 192.66667],  [ 250. ],... 

下面是 __call__方法的正确版本: 

def __call__(self, x: np.ndarray):  h, w, _ = x.shape  mask = np.zeros((h, w, 1), dtype=float32)  weights = mask.copy()  for i in tqdm(range(0, h - 1, self.stride)):  for j in range(0, w - 1, self.stride):  a, b, c, d = i, min(h, i + self.size), j, min(w, j + self.size)  patch = x[a:b, c:d, :]  mask[a:b, c:d, :] += np.expand_dims(self.predictor(patch), -1)  weights[a:b, c:d, :] += 1  return mask / weights 

如果你仍然不知道问题出在哪里，请注意 weights[a:b,c:d,:]+=1这一行。

8. Imagenet归一化

当一个人需要进行转移学习时，用训练Imagenet时的方法将图像归一化通常是一个好主意。

让我们使用我们已经熟悉的albumentations库。 

from albumentations import Normalize norm = Normalize() img = cv2.imread(img_small.jpg) mask = cv2.imread(mask_small.png, cv2.IMREAD_GRAYSCALE) mask = np.expand_dims(mask, -1) # shape (64, 64) -> shape (64, 64, 1) normed = norm(image=img, mask=mask) img, mask = [normed[x] for x in [image, mask]] def img_to_batch(x):  x = np.transpose(x, (2, 0, 1)).astype(float32)  return torch.from_numpy(np.expand_dims(x, 0)) img, mask = map(img_to_batch, (img, mask)) criterion = F.binary_cross_entropy 

现在是时候训练一个网络并对单个图像进行过度拟合了——正如我所提到的，这是一种很好的调试技术： 

model_a = UNet(3, 1)  optimizer = torch.optim.Adam(model_a.parameters(), lr=1e-3) losses = [] for t in tqdm(range(20)):  loss = criterion(model_a(img), mask)  losses.append(loss.item())   optimizer.zero_grad()  loss.backward()  optimizer.step() _ = plt.plot(losses)  

曲率看起来很好，但是交叉熵的损失值-300是不可预料的。是什么问题?

归一化处理图像效果很好，但是mask没有：需要手动缩放到 [0,1]。 

model_b = UNet(3, 1)  optimizer = torch.optim.Adam(model_b.parameters(), lr=1e-3) losses = [] for t in tqdm(range(20)):  loss = criterion(model_b(img), mask / 255.)  losses.append(loss.item())   optimizer.zero_grad()  loss.backward()  optimizer.step() _ = plt.plot(losses) 

 

训练循环的简单运行时断言(例如 assertmask.max()<=1会很快检测到问题。同样，也可以是单元测试。

总结

测试很有必要 运行时断言可以用于训练的pipeline; 可视化是一种幸福 复制粘贴是一种诅咒 没有什么是灵丹妙药，一个机器学习工程师必须总是小心(或只是受苦)。