Easy Grad-CAM avec pytorch-gradcam

Grad-CAM facile à utiliser avec pytorch-gradcam

Il existe une technologie de visualisation CNN appelée Grad-CAM, qui permet de visualiser les fonctionnalités utilisées pour la classification lors de la classification des images. En faisant cela, vous pouvez considérer la base des règles de classification et, dans certains cas, utiliser les connaissances acquises grâce à elles pour le marketing.

Vous trouverez ci-dessous le résultat de la visualisation de la quantité de fonctionnalités d'intérêt pour une certaine image à l'aide de VGG16.

C'est la procédure de mise en œuvre, mais elle est réalisée sous la forme suivante.

• Regroupement moyen global devant la couche de sortie alambiquée --Déterminer le poids de chaque canal dans la couche finale dans une classe --Multipliez chaque canal en fonction du poids et ajoutez
• Passez-les à travers la fonction Relu

(Voici le matériel auquel j'ai fait référence lors de sa mise en œuvre moi-même: Visualisation de CNN par Grad-CAM avec PyTorch.)

Au départ, j'utilisais pytorch pour coder moi-même, mais s'il était appris par un GPU parallèle, torch.nn.DataParallel envelopperait le modèle et la structure hiérarchique du modèle changerait, ou je la sélectionnerais par un réglage fin. Cependant, la définition du module est différente selon le réseau ... je pense que j'ai des capacités de codage, mais à chaque fois que j'utilise un réseau différent, c'est une sueur agaçante

Je me demandais si quelqu'un avait créé une bibliothèque qui pourrait facilement exécuter Grad-CAM avec pytorch sans ressentir de stress, et je pêchais la semaine dernière.

pytorch-gradcam

Il peut visualiser les résultats de GradCAM et GradCAM ++, et prend en charge alexnet, vgg, resnet, densenet et squeezenet. Merci beaucoup!

** De plus, la méthode d'installation est simple, pip install pytorch-gradcam Faites juste! ** **

Bien qu'il s'agisse du code source, il peut être visualisé en exécutant comme suit (dans le code source, le modèle entraîné est chargé avec l'ensemble de données utilisant déjà densenet161, et il devient le modèle entraîné de la classification en 5 classes) ..

# Basic Modules
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

# PyTorch Modules
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
from torchvision import transforms, datasets
import torchvision.transforms as transforms
from torch.utils.data.dataset import Subset
import torchvision.models as models
import torch.optim as optim
from torchvision.utils import make_grid, save_image

# Grad-CAM
from gradcam.utils import visualize_cam
from gradcam import GradCAM, GradCAMpp


device = torch.device("cuda:0" if torch.cuda.is_available()  else "cpu")
model = models.densenet161(pretrained=True)
model.fc = nn.Linear(2048,5)
model = torch.nn.DataParallel(model).to(device)
model.eval()
model.load_state_dict(torch.load('trained_model.pt'))

# Grad-CAM
target_layer = model.module.features
gradcam = GradCAM(model, target_layer)
gradcam_pp = GradCAMpp(model, target_layer)

images = []
#En supposant que vous appelez un ensemble de données de validation pour une étiquette
for path in glob.glob("{}/label1/*".format(config['dataset'])):
    img = Image.open(path)
    torch_img = transforms.Compose([
        transforms.Resize((224, 224)),
        transforms.ToTensor()
    ])(img).to(device)
    normed_torch_img = transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])(torch_img)[None]
    mask, _ = gradcam(normed_torch_img)
    heatmap, result = visualize_cam(mask, torch_img)

    mask_pp, _ = gradcam_pp(normed_torch_img)
    heatmap_pp, result_pp = visualize_cam(mask_pp, torch_img)
    
    images.extend([torch_img.cpu(), heatmap, heatmap_pp, result, result_pp])
grid_image = make_grid(images, nrow=5)

#Voir les résultats
transforms.ToPILImage()(grid_image)

Il est nécessaire de spécifier la couche cible dans la partie de target_layer = model.module.features pour être prudent, mais reportez-vous à utils.py de Github et nommez la cible_layer correspondant à chaque modèle de réseau. Vous pouvez le rechercher ---> utils.py. Ce qui suit est un extrait d'une partie écrite dans utils.py telle quelle, mais le nom de target_layer est décrit pour chaque réseau pris en charge.

| @register_layer_finder('densenet') |
|:--|
| def find_densenet_layer(arch, target_layer_name): |
|     """Find densenet layer to calculate GradCAM and GradCAM++ |
|     Args: |
|         arch: default torchvision densenet models |
|         target_layer_name (str): the name of layer with its hierarchical information. please refer to usages below. |
|             target_layer_name = 'features' |
|             target_layer_name = 'features_transition1' |
|             target_layer_name = 'features_transition1_norm' |
|             target_layer_name = 'features_denseblock2_denselayer12' |
|             target_layer_name = 'features_denseblock2_denselayer12_norm1' |
|             target_layer_name = 'features_denseblock2_denselayer12_norm1' |
|             target_layer_name = 'classifier' |
|     Return: |
|         target_layer: found layer. this layer will be hooked to get forward/backward pass information. |
|     """ |

De plus, la raison pour laquelle le module est pris en sandwich avant la fonctionnalité dans target_layer = model.module.features est parce qu'il utilise le modèle entraîné sur le GPU parallèle utilisant DataParallel. Si vous voulez en savoir plus, veuillez vous référer ici pour les points de trébuchement sur le GPU parallèle [PyTorch] Le point de trébucher sur le GPU parallèle en utilisant DataParallel / 12/08 / post-110 /). Si vous n'avez pas créé de modèle d'apprentissage sous la forme de GPU parallèles, vous n'avez pas besoin d'un module.

Résumé

Cette fois, j'ai introduit un module pour réaliser facilement Grad-CAM avec pytorch.