MMYOLO 中，将使用 MMEngine 提供的 Visualizer 可视化器进行特征图可视化，其具备如下功能：
- 支持基础绘图接口以及特征图可视化。
- 支持选择模型中的不同层来得到特征图，包含
squeeze_mean，select_max，topk三种显示方式，用户还可以使用arrangement自定义特征图显示的布局方式。
你可以调用 demo/featmap_vis_demo.py 来简单快捷地得到可视化结果，为了方便理解，将其主要参数的功能梳理如下：
-
img：选择要用于特征图可视化的图片，支持单张图片或者图片路径列表。 -
config：选择算法的配置文件。 -
checkpoint：选择对应算法的权重文件。 -
--out-file：将得到的特征图保存到本地，并指定路径和文件名。 -
--device：指定用于推理图片的硬件，--device cuda：0表示使用第 1 张 GPU 推理，--device cpu表示用 CPU 推理。 -
--score-thr：设置检测框的置信度阈值，只有置信度高于这个值的框才会显示。 -
--preview-model：可以预览模型，方便用户理解模型的特征层结构。 -
--target-layers：对指定层获取可视化的特征图。- 可以单独输出某个层的特征图，例如：
--target-layers backbone,--target-layers neck,--target-layers backbone.stage4等。 - 参数为列表时，也可以同时输出多个层的特征图，例如：
--target-layers backbone.stage4 neck表示同时输出 backbone 的 stage4 层和 neck 的三层一共四层特征图。
- 可以单独输出某个层的特征图，例如：
-
--channel-reduction：输入的 Tensor 一般是包括多个通道的，channel_reduction参数可以将多个通道压缩为单通道，然后和图片进行叠加显示，有以下三个参数可以设置：squeeze_mean：将输入的 C 维度采用 mean 函数压缩为一个通道，输出维度变成 (1, H, W)。select_max：从输入的 C 维度中先在空间维度 sum，维度变成 (C, )，然后选择值最大的通道。None：表示不需要压缩，此时可以通过topk参数可选择激活度最高的topk个特征图显示。
-
--topk：只有在channel_reduction参数为None的情况下，topk参数才会生效，其会按照激活度排序选择topk个通道，然后和图片进行叠加显示，并且此时会通过--arrangement参数指定显示的布局，该参数表示为一个数组，两个数字需要以空格分开，例如：--topk 5 --arrangement 2 3表示以2行 3列显示激活度排序最高的 5 张特征图，--topk 7 --arrangement 3 3表示以3行 3列显示激活度排序最高的 7 张特征图。- 如果 topk 不是 -1，则会按照激活度排序选择 topk 个通道显示。
- 如果 topk = -1，此时通道 C 必须是 1 或者 3 表示输入数据是图片，否则报错提示用户应该设置
channel_reduction来压缩通道。
-
考虑到输入的特征图通常非常小，函数默认将特征图进行上采样后方便进行可视化。
以预训练好的 YOLOv5-s 模型为例:
请提前下载 YOLOv5-s 模型权重到本仓库根路径下：
cd mmyolo
wget https://download.openmmlab.com/mmyolo/v0/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco/yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth(1) 将多通道特征图采用 select_max 参数压缩为单通道并显示, 通过提取 backbone 层输出进行特征图可视化，将得到 backbone 三个输出层的特征图：
python demo/featmap_vis_demo.py demo/dog.jpg \
configs/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py \
yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth \
--target-layers backbone \
--channel-reduction select_max
(2) 将多通道特征图采用 squeeze_mean 参数压缩为单通道并显示, 通过提取 neck 层输出进行特征图可视化，将得到 neck 三个输出层的特征图：
python demo/featmap_vis_demo.py demo/dog.jpg \
configs/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py \
yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth \
--target-layers neck \
--channel-reduction squeeze_mean
(3) 将多通道特征图采用 squeeze_mean 参数压缩为单通道并显示, 通过提取 backbone.stage4 和 backbone.stage3 层输出进行特征图可视化，将得到两个输出层的特征图：
python demo/featmap_vis_demo.py demo/dog.jpg \
configs/yolov5/yolov5_s-v61_fast_syncbn_8xb16-300e_coco.py \
yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth \
--target-layers backbone.stage4 backbone.stage3 \
--channel-reduction squeeze_mean
(4) 利用 --topk 3 --arrangement 2 2 参数选择多通道特征图中激活度最高的 3 个通道并采用 2x2 布局显示, 用户可以通过 arrangement 参数选择自己想要的布局，特征图将自动布局，先按每个层中的 top3 特征图按 2x2 的格式布局，再将每个层按 2x2 布局：
python demo/featmap_vis_demo.py demo/dog.jpg \
configs/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py \
yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth \
--target-layers backbone.stage3 backbone.stage4 \
--channel-reduction None \
--topk 3 \
--arrangement 2 2 \
--out-file 4.jpg
(5) 存储绘制后的图片，在绘制完成后，可以选择本地窗口显示，也可以存储到本地，只需要加入参数 --out-file xxx.jpg：
python demo/featmap_vis_demo.py demo/dog.jpg \
configs/yolov5/yolov5_s-v61_syncbn_fast_8xb16-300e_coco.py \
yolov5_s-v61_syncbn_fast_8xb16-300e_coco_20220918_084700-86e02187.pth \
--target-layers backbone \
--channel-reduction select_max \
--out-file featmap_backbone