简单看了YOLOv1和YOLOv2，详细看了，看了YOLOv3，刚看到的时候戴着圈。 经过研究，试着按步骤记录几个关键点：
v2和v3里面有anchors和Faster rcnn，有一定的区别，这个anchors怎么理解？
个人理解白话篇：
)1)是指有以左上坐标和右下坐标表示的bbox数据的组。 将bbox聚类成几个类，作为预设的anchor宽度的高度。 支持的格式只要给voc数据集加上xml注格式就可以了。
代码提取注释数据的宽度和高度，并按图像的宽度和高度进行归一化。
efload_dataset(path ) :
dataset=[]
forxml _ file in glob.glob ({ }/* XML '.format ) (path ) ) :
tree=et.parse(XML_file )
height=int(tree.findtext ) (./size/height ) )
idth=int (tree.find text ('./size/width ' ) )
forobjintree.Iter(object ) ) :
xmin=int(obj.findtext ) ' bndbox/xmin ' )/width
ymin=int(obj.findtext ) ' bndbox/ymin ' )/height
xmax=int(obj.findtext ) ' bndbox/xmax ' )/width
ymax=int(obj.findtext ) ' bndbox/ymax ' )/height
dataset.append([xmax-xmin，ymax - ymin]
returnNP.Array(dataset ) )。
)2)具体是怎么划分的呢？ 用K-means标记的所有bbox数据根据宽度和高度分成堆。 voc数据分为9个堆，距离使用distance=1-iou
导入编号为NP
“”'
(1) k-means获取数据中所有的目标框n个，得到所有的宽度和高度，在此随机获取9个作为随机中心
)2)然后所有其他的bbox，根据iou (作为距离)从这9个宽度高度计算，计算出n行9列的距离吧
)3)找出每行中最小的，即所有bbox被分成9个中的一个，然后计算9个族中所有bbox的中位数更新中心点。
)4)在九个中心保持不变之前，这九个中心的x，y是整个数据的九个适当的anchors==框的宽度和高度。
“”'
efiou(Box，clusters ) :
“”'
calculatestheintersectionoverunion (iou ) between a box and k clusters。
:param box: tuple or array，shiftedtotheorigin (I.e.widthandheight ) )。
3360 param clusters 3360 numpyarrayofshape (k，2 ) where k is the number of clusters
3360 return : numpyarrayofshape (k，0 ) where k is the number of clusters
“”'
#计算每个盒和9个clusters的iou
# boxes :所有[[width，height]，[width，height]，…]
# clusters : 9个随机中心点[width，height]
x=NP.minimum (clusters [ :0 ]，box[0] ) ) ) ) ) ) ) ) ) ) ) )。
y=NP.minimum (clusters [ :1 ]，box[1] ) ) ) ) ) ) ) )。) ) ) )。
IFNP.count_nonzero(x==0)0ornp.count _ nonzero (y==0) 0:
raisevalueerror(boxhasnoarea ) )
intersection=x * y
#所有boxes面积
box_area=box[0] * box[1]
cluster _ area=clusters [ :0 ] * clusters [ :1 ]
iou _=intersection/(box _ area cluster _ area-intersection () ) ) ) ) ) ) ) ) )。
返回iou _
efavg_iou(Boxes，clusters ) :
“”'
calculatestheaverageintersectionoverunion (iou ) between a n
umpy array of boxes and k clusters.:param boxes: numpy array of shape (r, 2), where r is the number of rows
:param clusters: numpy array of shape (k, 2) where k is the number of clusters
:return: average IoU as a single float
"""
return np.mean([np.max(iou(boxes[i], clusters)) for i in range(boxes.shape[0])])
def translate_boxes(boxes):
"""
Translates all the boxes to the origin.
:param boxes: numpy array of shape (r, 4)
:return: numpy array of shape (r, 2)
"""
new_boxes = boxes.copy()
for row in range(new_boxes.shape[0]):
new_boxes[row][2] = np.abs(new_boxes[row][2] - new_boxes[row][0])
new_boxes[row][3] = np.abs(new_boxes[row][3] - new_boxes[row][1])
return np.delete(new_boxes, [0, 1], axis=1)
def kmeans(boxes, k, dist=np.median):
"""
Calculates k-means clustering with the Intersection over Union (IoU) metric.
:param boxes: numpy array of shape (r, 2), where r is the number of rows
:param k: number of clusters
:param dist: distance function
:return: numpy array of shape (k, 2)
"""
rows = boxes.shape[0]
distances = np.empty((rows, k))
last_clusters = np.zeros((rows,))
np.random.seed()
# the Forgy method will fail if the whole array contains the same rows
#初始化k个聚类中心(从原始数据集中随机选择k个)
clusters = boxes[np.random.choice(rows, k, replace=False)]
while True:
for row in range(rows):
# 定义的距离度量公式：d(box,centroid)=1-IOU(box,centroid)。到聚类中心的距离越小越好，
# 但IOU值是越大越好，所以使用 1 - IOU，这样就保证距离越小，IOU值越大。
# 计算所有的boxes和clusters的值(row，k)
distances[row] = 1 - iou(boxes[row], clusters)
#print(distances)
# 将标注框分配给“距离”最近的聚类中心(也就是这里代码就是选出(对于每一个box)距离最小的那个聚类中心)。
nearest_clusters = np.argmin(distances, axis=1)
# 直到聚类中心改变量为0(也就是聚类中心不变了)。
if (last_clusters == nearest_clusters).all():
break
# 计算每个群的中心(这里把每一个类的中位数作为新的聚类中心)
for cluster in range(k):
#这一句是把所有的boxes分到k堆数据中,比较别扭，就是分好了k堆数据，每堆求它的中位数作为新的点
clusters[cluster] = dist(boxes[nearest_clusters == cluster], axis=0)
last_clusters = nearest_clusters
return clusters
运行代码：
import glob
import xml.etree.ElementTree as ET
import numpy as np
from kmeans import kmeans, avg_iou
#ANNOTATIONS_PATH = "Annotations"
CLUSTERS = 9
def load_dataset(path):
dataset = []
for xml_file in glob.glob("{}/*xml".format(path)):
tree = ET.parse(xml_file)
height = int(tree.findtext("./size/height"))
width = int(tree.findtext("./size/width"))
for obj in tree.iter("object"):
xmin = int(obj.findtext("bndbox/xmin")) / width
ymin = int(obj.findtext("bndbox/ymin")) / height
xmax = int(obj.findtext("bndbox/xmax")) / width
ymax = int(obj.findtext("bndbox/ymax")) / height
dataset.append([xmax - xmin, ymax - ymin])
return np.array(dataset)
ANNOTATIONS_PATH ="自己数据路径"
data = load_dataset(ANNOTATIONS_PATH)
out = kmeans(data, k=CLUSTERS)
print("Accuracy: {:.2f}%".format(avg_iou(data, out) * 100))
#print("Boxes:n {}".format(out))
print("Boxes:n {}-{}".format(out[:, 0]*416, out[:, 1]*416))
ratios = np.around(out[:, 0] / out[:, 1], decimals=2).tolist()
print("Ratios:n {}".format(sorted(ratios)))
自己计算的VOC2007数据集总共9963个标签数据，跟论文中给到的有些许出入，可能是coco和voc2007的区别吧,
计算如下：
Accuracy:
67.22%
Boxes(自己修改的格式 都4舍5入了，ratios有些许对不上):
[347,327 40,40 76,77 184,277 89,207 162,134 14,27 44,128 23,72]
Ratios:
[0.32, 0.35, 0.43, 0.55, 0.67, 0.99, 1.02, 1.06, 1.21]