YOLOv2 YOLOv3 如何选择先验框（priors anchor）（自用）

最新推荐文章于 2024-08-15 07:00:00 发布
最新推荐文章于 2024-08-15 07:00:00 发布
阅读量3.1w 收藏 55
点赞数 11
文章标签： Yolo
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Pattorio/article/details/80095511
版权
本文介绍了YOLOv2和YOLOv3选择先验框（anchor）的不同策略。YOLOv2通过k-means聚类训练集bounding boxes确定先验框，并依据特征图相对大小设定anchor尺寸。而YOLOv3则直接使用相对于原图大小的像素值定义anchor。这种变化简化了实现，并影响了anchor的尺寸选择。
摘要由CSDN通过智能技术生成

在YOLOv2论文中，作者有对Dimension Cluster做一个介绍，这个cluster的目的就是寻找出anchor的先验（简称为先验框）。

什么是先验框呢，简单来说，在YOLOv1中，作者遇到了一个问题，虽然我们通过实验知道要选两个boxes是最优的，但是如何这两个boxes的尺寸如何决定呢？网络自身可以学着不断调节box的大小，但是我们能够提前给定一个/多个尺寸作为备选不是更好吗？所以作者就决定利用 k-means 聚类方法在 training set bounding boxes上来寻找先验框（框的尺寸）。

标准的k-means方法用的是欧氏距离，但是这样会导致 larger boxes generate more error than smaller boxes. 我们想要得到的先验框，是能够带领我们得到更高的IOU的，如果用欧氏距离来衡量，可能会导致“大框优势”。所以作者使用了


来作为k-means中“距离”的判定。

我们期待距离越小越好（IOU越大越好），所以距离判定时候用 1 - IOU

讨论内容见（需要翻墙）：https://groups.google.com/forum/#!topic/darknet/qrcGefJ6d5g

其中，

最低0.47元/天 解锁文章
Pattorio
关注
YOLO系列：YOLO v2深度解析 v1 vs v2
camera store
12-12 7960
部分内容转载自： https://blog.csdn.net/Jesse_Mx/article/details/53925356 论文地址：YOLO9000: Better, Faster, Stronger 项目主页：YOL...
YoLov1、YoLov2、YoLov3损失公式介绍
qq_40374812的博客
11-04 417
yolo1到3的loss公式
yolov3，生成自己数据的anchors
03-17
yolov3算法，能生成自己数据的anchors的python脚本
YOLOv2中聚类（K-means）提取先验框的方法
AI_dataloads的博客
11-06 1021
先验框是在训练神经网络之前定义的框，用于指导网络学习如何预测目标的位置和类别。YOLOv2中的先验框是基于训练数据集中的目标边界框而来的，它们代表了不同尺寸和比例的目标。
从零开始掌握YOLO——实时目标检测的技术详解
最新发布
iShare_Carlos的博客
08-15 3284
在当今的计算机视觉领域，目标检测技术扮演着至关重要的角色，随着深度学习技术的迅速发展，目标检测在安防监控、自动驾驶、医疗影像等多个领域得到了广泛应用。传统的目标检测方法通常需要复杂的手工特征设计和分类器训练，不仅效率较低，还存在难以推广的瓶颈。近年来，基于卷积神经网络（CNN）的目标检测方法，尤其是YOLO（You Only Look Once），彻底改变了这一现状。
yolov5 anchors设置详解
热门推荐
qq_27278957的博客
09-02 4万+
yolov5中增加了自适应锚定框（Auto Learning Bounding Box Anchors），而其他yolo系列是没有的。 一、默认锚定框 Yolov5 中默认保存了一些针对 coco数据集的预设锚定框，在 yolov5 的配置文件*.yaml 中已经预设了640×640图像大小下锚定框的尺寸（以 yolov5s.yaml 为例）： # anchors anchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119
YoloV3学习笔记（三）：
qq_52533790的博客
11-16 888
YoloV3学习笔记（三）： 文章目录YoloV3学习笔记（三）：1.训练部分2.侦测部分代码   首先，按例分享学习资料：YOLO-V3硬核讲解（第四部分-YOLO-V3训练和预测+代码实现）_哔哩哔哩_bilibili （本文进行训练和预测代码的记录）   直接上代码： 1.训练部分 ​    因为我们最后输出的是N 24 H W的格式，其中24 = 3×8 ​    8表示：置信度，回归，分类 ​    置信度采取：二分类交叉熵 回归采取：BCE ​    分
yolo_anchors.txt超参数值设置
君临天下tjm的博客
11-22 3862
keras-yolov3在训练自定义图片集之前，设置合理的yolo_anchors.txt值，有利于模型训练的收敛，一般都带有默认的参数如下： 在实际项目中，yolo_anchors的值可以根据kmeans.py计算获取，通过聚类得到最佳anchors数据； kmeans.py执行后即可得到合适的yolo_anchors参数值，代码如下： import numpy as np class YOLO_Kmeans: def __init__(self, cluster_number.
faster-rcnn, yolov3,ssd之间anchor的异同
qq_40728805的博客
12-13 3058
目标检测anchor Anchor机制是目前主流的基于深度学习的目标检测算法的重要基石。目前的最先进的检测器都是使用的密集的anchor模式，即在图片上均匀放置好一组定义好形状和大小的anchor。anchor的设计一般有两个要求：1.alignment，为了用卷积特征作为anchor的表示，anchor的中心需要和特征图的像素中心比较好地对齐；2.consistency，不同位置对应的ancho...
yolov3为什么对大目标检测不好_从YOLOv1到YOLOv3，目标检测的进化之路
weixin_39907133的博客
12-19 1106
引言：如今基于深度学习的目标检测已经逐渐成为自动驾驶，视频监控，机械加工，智能机器人等领域的核心技术，而现存的大多数精度高的目标检测算法，速度较慢，无法适应工业界对于目标检测实时性的需求，这时YOLO算法横空出世，以近乎极致的速度和出色的准确度赢得了大家的一致好评。基于此，我们选择YOLO算法来实现目标检测。YOLO算法目前已经经过了3个版本的迭代，在速度和精确度上获得了巨大的提升，我们将从YOL...
YOLOv5的anchor设定
日拱一卒，功不唐捐
03-20 3万+
简要介绍了YOLOv5中anchor所发挥的作用及尺度的计算
浅谈yolov5中的anchor
ningsheng的博客
10-03 1253
在YOLOv5模型训练时，默认的做法是它会自动去计算下默认的anchors与你数据集中所有目标的best possible recall，如果小于0.98就会根据你自己数据集的目标去重新聚类生成anchors，反之使用默认的anchors。而自适应锚框的思想是在目标检测网络中引入一些机制，使得模型能够根据目标在特征图上的分布自动适应地调整锚框的大小和尺度。因此YOLOv5中提出了一个自适应锚框的思想，根据目标的特征图上的分布情况自适应地调整锚框的大小和尺度。第一行是在最大的特征图上的锚框。
YOLO 中的Anchor机制笔记
weixin_47142735的博客
08-31 9216
众所周知，Yolo v2最大的改进就是锚框机制，并且锚框的生成不是和以前靠经验所得，而是通过更加科学K-Means聚类获得的。那么这个Anchor是如何与yolo相结合的呢？ 首先来了解一下锚框机制，锚框（Anchor）就是预设好的一堆虚拟的框，它们的尺寸和大小是固定的，但是它们与物体的真实标注框（GT）存在一些差异。人为设置锚框参数时要尽量使它能够贴近真实框。我们期望锚框是接近于真实框的，但是这显然是不可能的（因为真实框大小不一样，而锚框尺寸是固定不变的）。但是我们可以通过网络预测的结果去调整锚框..
带图讲解，深度学习YOLO里面的anchors的进阶理解
m0_48095841的博客
06-19 1万+
可视化网格grid及anchors
YOLO是如何选出建议框的？
weixin_38241876的博客
06-17 1823
它把框当作是点，随机选9个点作为中心点，然后使用k-means对这些点进行聚类，而这些框呢就是从样本数据中来的。
目标检测算法yolo anchors聚类(kmeans)生成
pikaqiu_n95的博客
09-23 2001
test
yolov5/7 anchors设置详解
weixin_61623830的博客
11-09 2546
yolov5 中不是只使用默认锚定框，在开始训练之前会对数据集中标注信息进行核查，计算此数据集标注信息针对默认锚定框的最佳召回率，当最佳召回率大于或等于0.98，则不需要更新锚定框；如果最佳召回率小于0.98，则需要重新计算符合此数据集的锚定框。其中 thr 是指 数据集中标注框宽高比最大阈值，默认是使用 超参文件 hyp.scratch.yaml 中的 “anchor_t” 参数值。
yolo训练自己数据集anchors的选择
weixin_43637851的博客
11-11 4503
项目场景： 在训练yolo网络检测目标时，需要根据待检测目标的位置大小分布情况对anchor进行调整，使其检测效果尽可能提高。我们这时候不能直接使用COCO的anchors，自己可以重新聚类9组anchors。 问题描述： Yolo为了训练COCO数据集准备了三组anchors，其对COCO数据集的检测有了提升。 ./models/yolo.yaml anchors: #- [5,6, 7,9, 12,10] # P2/4 - [10,13, 16,30, 33,23] # P3/8
ncnn anchor setting from yolov5/models/yolov5s.yaml
08-13
NCNN (Neural Computation Network) 是一个高效的深度学习计算库，主要用于移动端和嵌入式设备。Yolov5 是一种流行的物体检测模型系列，它的配置文件如 `yolov5s.yaml` 中的 anchor setting 指的是用于定位目标的先验框（Priors）设置。 在YOLOv5中，anchor boxes 是预先定义的一组不同尺寸和比例的矩形，它们在预测阶段帮助模型理解物体可能出现的位置。对于 `yolov5s.yaml` 配置，锚点通常包括一组大小和宽高比不同的候选框，每个尺度对应几个anchor： 例如： ```yaml # YOLOv5s model anchors anchors: [[10,13], [16,30], [33,23], [30,61], [62,45], [59,119], [116,90], [156,198], [373,326]] ``` 每一行是一个锚框的宽度和高度，数值代表相对于输入图像的像素大小。在ncnn中，你需要将这些值转换为适合NCNN的格式，并在构建网络时指定。
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值