对YOLOv3算法的原理理解（一）：k-means得到了什么？

##对YOLOv3算法的原理理解（一）：k-means得到了什么？

YOLO利用k-means算法对anchors进行聚类后，最终选择了5种不同尺寸的anchors（而非Faster-RCNN中的九个）作为bounding box输入。思路如下：

1. 提供训练集，训练集中包括N张图片。每张图片包含C个标记框（我理解为ground-truth bounding box），这些标记框的（x, y, w, h）信息都在该图片的注释信息里。
2. 读取训练集中每张图片的标记框信息，即读取C个（x, y, w, h）。由于k-means学习是为了选出适合的anchors形状，所以主要使用 w 和 h 。
3. 所以k-means需要分类的数据一共NC个，每个数据都是（w, h）的形式。利用k-means算法，将这NC个标注框，按形状进行分类，YOLO的作者经过权衡，选择将其分为5类。即选择k=5。
4. 最后返回的值，是这五个类型的centroid所代表的 w 和 h （取的是平均值，所以未必会是训练集中的某种 w 和 h），并在网络中对每个ROI使用这五种形状的anchors。

k-means具体的实现代码可参考：
https://blog.csdn.net/DaVinciL/article/details/100519521
https://blog.csdn.net/hrsstudy/article/details/71173305