YoloV3 先验框

YoloV3 先验框

• 本文主要是记录在学习YoloV3模型先验框作用和生成
• 文本参考睿智的目标检测10——先验框详解及其代码实现，这篇博客其实写的非常详细，我在此处就不再展开，仅仅写一下个人学习理解
• 有错误的话还望不吝批评。

先验框

目标检测|Anchor（先验框）的作用

• 提前在图像上预设好的不同大小，不同长宽比的框,使得模型更加容易学习
• 使用不同尺寸和长宽比可以得到更大的交并比，就有更高的概率出 现对于目标物体有良好匹配度的先验框（体现为高IoU）
• 简单的一句话来讲，先验框就是帮助我们定好了常见目标的宽和高，在进行预测的时候，我们可以利用这个已经定好的宽和高处理，可以帮助我们进行预测。

先验框的生成主要有以下方法：

• 人为经验选取
• k-means聚类,可以参看K-Means聚类算法详解
• 作为超参数进行学习

先验框生成方式

• 在此使用k-means聚类对人工标注好的数据集中目标宽高进行聚类，目的是计算出对于目标物体有良好匹配度的先验框。
• 一般使用k-means聚类时用的是欧拉距离完成聚类，但先验框这是和宽高（我理解为面积）强相关的，所以使用IOU进行计算。
• 注意在k-means聚类时‘"距离值"越小重合度越大，但是"IOU值"与之相反("IOU值"越大重合度越大)，所以计算时用不可直接用"IOU值"计算，可以用“1-IOU值“使其满足数值越小重合度越大
  $$distance(i,center)=1-IOU(i,center)$$

先验框生成关键代码

• 这个代码是目标检测|Anchor（先验框）的作用出自这篇博客的。我添加一些注释帮助理解

def kmeans(box, k):
    #-------------------------------------------------------------#
    #   取出一共有多少框
    #-------------------------------------------------------------#
    row = box.shape[0]
    #-------------------------------------------------------------#
    #   每个框各个点的位置
    #-------------------------------------------------------------#
    distance = np.empty((row, k))
    #-------------------------------------------------------------#
    #   最后的聚类位置
    #-------------------------------------------------------------#
    last_clu = np.zeros((row, ))
    np.random.seed()
    #-------------------------------------------------------------#
    #   随机选k个当聚类中心
    #-------------------------------------------------------------#
    cluster = box[np.random.choice(row, k, replace = False)]
    iter = 0
    while True:
        #-------------------------------------------------------------#
        #   cas_iou:计算当前框和随机选的k个当聚类中心的IOU,distance: shape = (row, k)
        #-------------------------------------------------------------#
        for i in range(row):
            distance[i] = 1 - cas_iou(box[i], cluster)
        #-------------------------------------------------------------#
        #   计算当前框到k个当聚类中心最小距离,near是一个下标值,存储所有框最近的距离中心index
        #-------------------------------------------------------------#
        near = np.argmin(distance, axis=1)
        if (last_clu == near).all():
            break
        #-------------------------------------------------------------#
        #   求每一个类的中位点,更新k个聚类中心点的值
        #-------------------------------------------------------------#
        for j in range(k):
            cluster[j] = np.median(
                box[near == j],axis=0)
        last_clu = near
        if iter % 5 == 0:
            print('iter: {:d}. avg_iou:{:.2f}'.format(iter, avg_iou(box, cluster)))
        iter += 1
    return cluster, near

IOU的计算

def cas_iou(box, cluster):
    x = np.minimum(cluster[:, 0], box[0])
    y = np.minimum(cluster[:, 1], box[1])
    intersection = x * y
    area1 = box[0] * box[1]
    area2 = cluster[:,0] * cluster[:,1]
    iou = intersection / (area1 + area2 - intersection)
    return iou