8个计算机视觉深度学习中常见的Bug

作者:Arseny Kravchenko
编译:ronghuaiyang
首发:AI公园公众号

导读

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

人是不完美的,我们经常在软件中犯错误。有时这些错误很容易发现:你的代码根本不能工作,你的应用程序崩溃等等。但是有些bug是隐藏的,这使得它们更加危险。

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

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。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:

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

看起来是正确的,嗯?我们把它可视化。

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

不对称,看起来很奇怪!如果我们检查极值呢?

  1. image = np.ones((10, 10), dtype=np.float32)
  2. kpts = [(0, 0), (1, 1)]
  3. image_flipped, kpts_flipped = flip_img_and_keypoints(image, kpts)
  4. img1 = image.copy()
  5. for y, x in kpts:
  6. img1[y, x] = 0
  7. img2 = image_flipped.copy()
  8. for y, x in kpts_flipped:
  9. img2[y, x] = 0
  10. ---------------------------------------------------------------------------
  11. IndexError Traceback (most recent call last)
  12. <ipython-input-5-997162463eae> in <module>
  13. 8 img2 = image_flipped.copy()
  14. 9 for y, x in kpts_flipped:
  15. ---> 10 img2[y, x] = 0
  16. IndexError: index 10 is out of bounds for axis 1 with size 10

不好!这是一个典型的off-by-one错误。正确的代码是这样的:

  1. def flip_img_and_keypoints(img: np.ndarray, kpts: Sequence[Sequence[int]]):
  2. img = np.fliplr(img)
  3. h, w, *_ = img.shape
  4. kpts = [(y, w - x - 1) for y, x in kpts]
  5. 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: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:

  1. kpts = [
  2. (20, 20), # left pinky
  3. (20, 200), # right pinky
  4. ...
  5. ]

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。

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

看起来不错,我们先做个小的检查:

  1. In [3]: ones = np.ones((1, 3, 10, 10))
  2. ...: x1 = iou_continuous_loss(ones * 0.01, ones)
  3. ...: x2 = iou_continuous_loss(ones * 0.99, ones)
  4. In [4]: x1, x2
  5. 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:

  1. def iou_continuous(y_pred, y_true):
  2. eps = 1e-6
  3. def _sum(x):
  4. return x.sum(-1).sum(-1)
  5. numerator = (_sum(y_true * y_pred) + eps)
  6. denominator = (_sum(y_true ** 2) + _sum(y_pred ** 2)
  7. - _sum(y_true * y_pred) + eps)
  8. return (numerator / denominator).mean()
  9. def iou_continuous_loss(y_pred, y_true):
  10. 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。

  1. from ceevee.base import AbstractPredictor
  2. class MySuperPredictor(AbstractPredictor):
  3. def __init__(self,
  4. weights_path: str,
  5. ):
  6. super().__init__()
  7. self.model = self._load_model(weights_path=weights_path)
  8. def process(self, x, *kw):
  9. with torch.no_grad():
  10. res = self.model(x)
  11. return res
  12. @staticmethod
  13. def _load_model(weights_path):
  14. model = ModelClass()
  15. weights = torch.load(weights_path, map_location='cpu')
  16. model.load_state_dict(weights)
  17. 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。

  1. In [3]: model = nn.Sequential(
  2. ...: nn.Linear(10, 10),
  3. ...: nn.Dropout(.5)
  4. ...: )
  5. ...:
  6. ...: traced_model = torch.jit.trace(model, torch.rand(10))
  7. /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:
  8. %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
  9. This may cause errors in trace checking. To disable trace checking, pass check_trace=False to torch.jit.trace()
  10. check_tolerance, _force_outplace, True, _module_class)
  11. /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:
  12. Not within tolerance rtol=1e-05 atol=1e-05 at input[5] (0.0 vs. 0.5454154014587402) and 5 other locations (60.00%)
  13. check_tolerance, _force_outplace, True, _module_class)

简单的修复一下:

  1. In [4]: model = nn.Sequential(
  2. ...: nn.Linear(10, 10),
  3. ...: nn.Dropout(.5)
  4. ...: )
  5. ...:
  6. ...: traced_model = torch.jit.trace(model.eval(), torch.rand(10))
  7. # 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……

  1. def make_dataloaders(train_cfg, val_cfg, batch_size):
  2. train = Dataset.from_config(train_cfg)
  3. val = Dataset.from_config(val_cfg)
  4. shared_params = {'batch_size': batch_size, 'shuffle': True, 'num_workers': cpu_count()}
  5. train = DataLoader(train, **shared_params)
  6. val = DataLoader(train, **shared_params)
  7. 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。

  1. # https://github.com/albu/albumentations/blob/0.3.0/albumentations/augmentations/transforms.py
  2. def apply_to_keypoint(self, keypoint, crop_height=0, crop_width=0, h_start=0, w_start=0, rows=0, cols=0, **params):
  3. keypoint = F.keypoint_random_crop(keypoint, crop_height, crop_width, h_start, w_start, rows, cols)
  4. scale_x = self.width / crop_height
  5. scale_y = self.height / crop_height
  6. keypoint = F.keypoint_scale(keypoint, scale_x, scale_y)
  7. 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。

👎

  1. datasets = []
  2. data_a = get_dataset(MyDataset(config['dataset_a']), config['shared_param'], param_a)
  3. datasets.append(data_a)
  4. data_b = get_dataset(MyDataset(config['dataset_b']), config['shared_param'], param_b)
  5. datasets.append(data_b)

👍

  1. datasets = []
  2. for name, param in zip(('dataset_a', 'dataset_b'),
  3. (param_a, param_b),
  4. ):
  5. 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

  1. def add_noise(img: np.ndarray) -> np.ndarray:
  2. mask = np.random.rand(*img.shape) + .5
  3. img = img.astype('float32') * mask
  4. 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:

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

  1. raw_mask = cv2.imread('mask_small.png')
  2. mask = raw_mask.astype('float32') / 255
  3. mask = cv2.resize(mask, (64, 64), interpolation=cv2.INTER_LINEAR)
  4. mask = cv2.resize(mask, (128, 128), interpolation=cv2.INTER_CUBIC)
  5. mask = (mask * 255).astype('uint8')
  6. _ = 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。

  1. from tqdm import tqdm
  2. class GridPredictor:
  3. """
  4. This class can be used to predict a segmentation mask for the big image
  5. when you have GPU memory limitation
  6. """
  7. def __init__(self, predictor: AbstractPredictor, size: int, stride: Optional[int] = None):
  8. self.predictor = predictor
  9. self.size = size
  10. self.stride = stride if stride is not None else size // 2
  11. def __call__(self, x: np.ndarray):
  12. h, w, _ = x.shape
  13. mask = np.zeros((h, w, 1), dtype='float32')
  14. weights = mask.copy()
  15. for i in tqdm(range(0, h - 1, self.stride)):
  16. for j in range(0, w - 1, self.stride):
  17. a, b, c, d = i, min(h, i + self.size), j, min(w, j + self.size)
  18. patch = x[a:b, c:d, :]
  19. mask[a:b, c:d, :] += np.expand_dims(self.predictor(patch), -1)
  20. weights[a:b, c:d, :] = 1
  21. 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:

  1. class Model(nn.Module):
  2. def forward(self, x):
  3. return x.mean(axis=-1)
  4. model = Model()
  5. grid_predictor = GridPredictor(model, size=128, stride=64)
  6. simple_pred = np.expand_dims(model(img), -1)
  7. grid_pred = grid_predictor(img)
  8. np.testing.assert_allclose(simple_pred, grid_pred, atol=.001)
  9. ---------------------------------------------------------------------------
  10. AssertionError Traceback (most recent call last)
  11. <ipython-input-24-a72034c717e9> in <module>
  12. 9 grid_pred = grid_predictor(img)
  13. 10
  14. ---> 11 np.testing.assert_allclose(simple_pred, grid_pred, atol=.001)
  15. ~/.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)
  16. 1513 header = 'Not equal to tolerance rtol=%g, atol=%g' % (rtol, atol)
  17. 1514 assert_array_compare(compare, actual, desired, err_msg=str(err_msg),
  18. -> 1515 verbose=verbose, header=header, equal_nan=equal_nan)
  19. 1516
  20. 1517
  21. ~/.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)
  22. 839 verbose=verbose, header=header,
  23. 840 names=('x', 'y'), precision=precision)
  24. --> 841 raise AssertionError(msg)
  25. 842 except ValueError:
  26. 843 import traceback
  27. AssertionError:
  28. Not equal to tolerance rtol=1e-07, atol=0.001
  29. Mismatch: 99.6%
  30. Max absolute difference: 765.
  31. Max relative difference: 0.75000001
  32. x: array([[[215.333333],
  33. [192.666667],
  34. [250. ],...
  35. y: array([[[ 215.33333],
  36. [ 192.66667],
  37. [ 250. ],...

下面是 __call__方法的正确版本:

  1. def __call__(self, x: np.ndarray):
  2. h, w, _ = x.shape
  3. mask = np.zeros((h, w, 1), dtype='float32')
  4. weights = mask.copy()
  5. for i in tqdm(range(0, h - 1, self.stride)):
  6. for j in range(0, w - 1, self.stride):
  7. a, b, c, d = i, min(h, i + self.size), j, min(w, j + self.size)
  8. patch = x[a:b, c:d, :]
  9. mask[a:b, c:d, :] += np.expand_dims(self.predictor(patch), -1)
  10. weights[a:b, c:d, :] += 1
  11. 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。

  1. from albumentations import Normalize
  2. norm = Normalize()
  3. img = cv2.imread('img_small.jpg')
  4. mask = cv2.imread('mask_small.png', cv2.IMREAD_GRAYSCALE)
  5. mask = np.expand_dims(mask, -1) # shape (64, 64) -> shape (64, 64, 1)
  6. normed = norm(image=img, mask=mask)
  7. img, mask = [normed[x] for x in ['image', 'mask']]
  8. def img_to_batch(x):
  9. x = np.transpose(x, (2, 0, 1)).astype('float32')
  10. return torch.from_numpy(np.expand_dims(x, 0))
  11. img, mask = map(img_to_batch, (img, mask))
  12. 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:

  1. model_a = UNet(3, 1)
  2. optimizer = torch.optim.Adam(model_a.parameters(), lr=1e-3)
  3. losses = []
  4. for t in tqdm(range(20)):
  5. loss = criterion(model_a(img), mask)
  6. losses.append(loss.item())
  7. optimizer.zero_grad()
  8. loss.backward()
  9. optimizer.step()
  10. _ = 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]

  1. model_b = UNet(3, 1)
  2. optimizer = torch.optim.Adam(model_b.parameters(), lr=1e-3)
  3. losses = []
  4. for t in tqdm(range(20)):
  5. loss = criterion(model_b(img), mask / 255.)
  6. losses.append(loss.item())
  7. optimizer.zero_grad()
  8. loss.backward()
  9. optimizer.step()
  10. _ = 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)。

—END—

英文原文:https://medium.com/@arseny\_info/8-deep-learning-computer-vision-bugs-and-how-i-could-have-avoided-them-d40b0e4b1da

推荐阅读

  • 图解SimCLR框架,用对比学习得到一个好的视觉预训练模型
  • NLP中数据增强的综述,快速的生成大量的训练数据
  • Netflix:使用A/B测试来找到最佳的插图

关注图像处理,自然语言处理,机器学习等人工智能领域,请点击关注AI公园专栏
欢迎关注微信公众号

发表评论

邮箱地址不会被公开。 必填项已用*标注