利用KMeans重新计算自己数据集的anchor

在YOLOv5或YOLOv7中，anchors（锚框）是预设的一组不同大小、不同长宽比的边界框，它们用于在图像中的每个网格单元上进行偏移和缩放，以生成目标的候选框。这些anchors的设定对于提高目标检测的效率和准确性至关重要。

并且预先设定的anchors是根据COCO数据集中目标的大小和形状分布来设定的，能够覆盖大多数目标可能的尺寸和形状。

但是在训练我们自己的数据集时，若数据集内的目标与COCO数据集内的目标尺寸分别差异较大，长宽比较大时，根据自己的数据集聚类anchor可能会更直接有效。

聚类求解方法：

以YOLOv7为例，YOLOv7中已经实现了相关聚类算法来从数据集中自动学习anchors。是通过迭代优化，找到一组能够最好地代表数据集中目标尺寸和形状的anchors。

在YOLOv7项目的根目录新建calc_anchor.py，将下方代码复制其中：

import utils.autoanchor as autoAC
 
# 对数据集重新计算 anchors
new_anchors = autoAC.kmean_anchors('D:\\yolov7-main\\data\\bubbleplume.yaml', 9, 320, 8.0, 1000, True)
print(new_anchors)

参数：
    path：数据集 *.yaml，或已加载数据集的路径
    n：锚点数量
    img_size：训练时使用的图像大小
    thr：用于训练的锚标签 临界值超参数 hyp['anchor_t']，默认值=4.0
    gen：使用遗传算法演化锚点的代数
    verbose：是否打印所有结果

返回：
    k：均值进化锚点

运行程序后便输出自己数据集的9对anchors