yolov7 训练自己的数据集之前先手动计算锚定框_evolving anchors with genetic algorithm-CSDN博客

本文链接：https://blog.csdn.net/weixin_42454992/article/details/127725238

./utils/autoanchor.py中的

def check_anchors(dataset, model, thr=10.0, imgsz=640):

函数的thr参数是指数据集中标注框宽高比最大阈值，默认的是4.0。由于火灾数据集中的火灾由呈现一片连续的状态，因此标注的宽高比阈值应当设置的大一些。

首先可以首先可以自行编写一个程序，统计一下你所训练的数据集所有标签框宽高比，看下宽高比主要分布在哪个范围、最大宽高比是多少？比如：你使用的数据集中目标宽高比最大达到了 5:1（甚至 10:1），那肯定需要重新计算锚定框了，针对 coco 数据集的最大宽高比是 4:1 。

新建Python文件Calculates_anchor_frame_ratio.py，手动计算锚定框。可以多运行几次试一试，每次的结果都会有些区别。

import utils.autoanchor as autoAC

# 对数据集重新计算 anchors
new_anchors = autoAC.kmean_anchors('./data/fire.yaml', 9, 640, 10.0, 1000, True)
print(new_anchors)

'''
    kmean_anchor()函数参数含义：
        path：包含数据集文件路径等相关信息的 yaml 文件（比如 coco128.yaml）， 或者 数据集张量（yolov5 自动计算锚定框时就是用的这种方式，先把数据集标签信息读取再处理）
        n：锚定框的数量，即有几组；默认值是 9
        img_size：图像尺寸。计算数据集样本标签框的宽高比时，是需要缩放到 img_size 大小后再计算的；默认值是 640
        thr：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；默认值是 4.0；自动计算时，会自动根据你所使用的数据集，来计算合适的阈值。
        gen：kmean 聚类算法迭代次数，默认值是 1000
        verbose：是否打印输出所有计算结果，默认值是 true

'''

thr=5.0 的时候bpr=0.9980

new_anchors = autoAC.kmean_anchors('./data/fire.yaml', 9, 640, 5.0, 1000, True)

输出部分结果如下：

autoanchor: Evolving anchors with Genetic Algorithm: fitness = 0.7804: 100%|██████████| 1000/1000 [00:00<00:00, 5714.26it/s]

autoanchor: thr=0.20: 0.9980 best possible recall, 6.39 anchors past thr

autoanchor: n=9, img_size=640, metric_all=0.377/0.781-mean/best, past_thr=0.477-mean: 24,30, 55,33, 36,61, 112,80, 92,122, 168,110, 187,193, 280,167, 310,301

[[ 23.817 30.341]

[ 55.273 33.362]

[ 35.716 61.354]

[ 111.5 80.082]

[ 91.683 122.09]

[ 168 110.4]

[ 186.52 193.02]

[ 279.83 167.17]

[ 310.29 300.89]]

因为我做的是火灾检测，会有一大片连续的火灾，因此我会把 thr设置的大一些，以备计算出更符合火灾检测的锚框。

当我把参数thr设置为10.0的时候 bpr=1.0000

autoanchor: Evolving anchors with Genetic Algorithm: fitness = 0.7673: 100%|██████████| 1000/1000 [00:00<00:00, 5649.72it/s]

autoanchor: thr=0.10: 1.0000 best possible recall, 8.20 anchors past thr

autoanchor: n=9, img_size=640, metric_all=0.368/0.767-mean/best, past_thr=0.397-mean: 26,28, 37,55, 102,62, 78,111, 169,107, 167,182, 254,169, 330,204, 306,339

[[ 25.524 28.062]

[ 36.765 55]

[ 101.96 61.546]

[ 77.876 111.24]

[ 169.04 106.65]

[ 168.15 182.63]

[ 254.3 168.58]

[ 329.94 204.82]

[ 307.08 338.76]]

最后就可以把输出的9组锚框，替换到自己的yaml文件中，就可以开始训练了。