yolo训练自己数据集anchors的选择

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
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

如果训练自己的数据集，自己的数据量没有coco数据集那么多，且数据信息没有那么丰富，并且anchor大小尺寸的分布不如coco数据集那样规律，比如：小目标检测，多目标检测。建议根据自己的数据集去聚类一份新的适合自己数据集的anchors。 ./utils/autoanchor.py/kmean_anchors

def kmean_anchors(path='./data/coco.yaml', n=9, img_size=640, thr=4.0, gen=1000, verbose=True):

按照coco.yaml新建配置一个“目标.yaml”文件，里面设置好训练集路径；n=9，表示聚类9个点，这个不要改，img_size训练集图像大小，thr训练集目标长宽比例，可根据自己的待检测目标进行调整。

---

解决方案：

调整完成之后运行autoanchor.py发现并无输出，其原因是直接写入了模块，并没有显示出来。

我们可以打断点将其debug出来,打开./models/yolo.py找到其m.anchors,对其进行断点标注，然后debug yolo.py，步入cutoanchor.py文件，在调试器找到autoanchor.py，在变量中找到m的参数，其
anchor_grid为作者为COCO数据集设置的anchors。

然后data中的变量为聚类自己数据集的anchors。
将其保存替换yolo.yaml文件中的anchors。

anchors:
#  - [5,6, 7,9, 12,10]      # P2/4
#  - [10,13, 16,30, 33,23]  # P3/8
#  - [30,61, 62,45, 59,119]  # P4/16
  #- [116,90, 156,198, 373,326]  # P5/32
  - [ 1.25000,  1.62500,2.00000,  3.75000,4.12500,  2.87500]
  - [ 1.87500,  3.81250,3.87500,  2.81250,3.68750,  7.43750]
  - [ 3.62500,  2.81250,4.87500,  6.18750,11.65625, 10.18750]

然后继续训练即可。