Tensorflow2.0—SSD网络原理和代码分析(四)数据生成和编码Tensorflow2.0—SSD网络原理和代码分析)二)锚箱生成和Tensorflow2.0—SSD网络原理
在这里，为了调试，留下了标记在训练文件夹中的两个图像数据
如何生成这样的数据，可以看我先写的blog:Keras—数据预处理操作。
在train.py主文件中，培训数据的生成代码如下：
gen=generator(bbox_util，#这是用于训练数据编码的BATCH_SIZE类，#训练批大小lines[:num_train]，#训练#模型是输入图像大小，(300，300 ) NUM_CLASSES #类别数，这里是包含背景的21 )数据的编码实际上是Generator类的generate方法，gen.generate
(自生成， train=true (3360 while true : if train : #洗牌shuffle(self.train_lines ) lines=self.train _ lines else 365292; for annotation _ line inlines 3360 if train : img，y=self.get _ ran net self.image _ size [ 03:2 ]，else : img，y self.image_size其中get_random_data方法是数据扩展操作，最后返回从resize到(300，300 )的图像和相应的标记信息。
如上图所示，生成y。 这里，此图像共有三个gt框，前四个是左上角右下角的坐标，最后一维显示该gt框属于哪个类别。
然后进行坐标规范化操作并合并。
Iflen(y )！=0: boxes=NP.array (y [ :4 ]，dtype=np.float32 ) boxes [ :0 ]=boxes [ :0 ]/self . 2 ]/self.image _ size [1] boxes [ 3360，3 ]=3)/self.image _ size [0] one _ hot _ label=NP.eye (self ) 1 )=0).any (and (boxes [ :2 ]-boxes [ :0 ] )=0).any ) :continuey=NP.concatenate )
将y传递给BBoxUtility类的assign_boxes方法(核心代码)。
assignment=NP.zeros ((self.num _ priors，4 self.num_classes 8) ) assignment [ :4 ]=1.0 assignment是三个部分
# :4的内容是网络应该具有的回归预测结果
# 4:-8的内容类型与预箱相对应，默认为背景
# -8的内容是当前预箱中是否包含目标
# -7:无意义
后面，首先就是对所有gt框和所有的锚点框进行IOU计算，这里值得注意的是np.apply_along_axis表示的是分别对每一个gt框进行IOU或后续处理。
def iou(self, box): # 计算出每个真实框与所有的先验框的iou # 判断真实框与先验框的重合情况 inter_upleft = np.maximum(self.priors[:, :2], box[:2]) inter_botright = np.minimum(self.priors[:, 2:4], box[2:]) inter_wh = inter_botright - inter_upleft inter_wh = np.maximum(inter_wh, 0) inter = inter_wh[:, 0] * inter_wh[:, 1] # 真实框的面积 area_true = (box[2] - box[0]) * (box[3] - box[1]) # 先验框的面积 area_gt = (self.priors[:, 2] - self.priors[:, 0])*(self.priors[:, 3] - self.priors[:, 1]) # 计算iou union = area_true + area_gt - inter iou = inter / union return iou由于是对每一个gt框求与其所有的锚点框的IOU值，所以这里求得的iou的shape为（8732，）。
# 找到每一个真实框，重合程度较高的先验框 assign_mask = iou > self.overlap_threshold # 如果没有一个先验框重合度大于self.overlap_threshold # 则选择重合度最大的为正样本 if not assign_mask.any(): assign_mask[iou.argmax()] = True在iou中找与真实框重叠程度大于阈值的，由于这里第一个gt框与所有的锚点框的iou都没有大于0.5，所以选择重合度最大的为正样本。(已经有一个正样本了~)进行赋值encoded_box中，并找到对应的锚点框。
# 利用iou进行赋值 if return_iou: encoded_box[:, -1][assign_mask] = iou[assign_mask]# 找到对应的先验框assigned_priors = self.priors[assign_mask]然后，分别计算这个真实框与提取出来的正样本的锚点框的中心与长宽，目的是后续进行偏移量的计算。
# 先计算真实框的中心与长宽 #---------------------------------------------# box_center = 0.5 * (box[:2] + box[2:]) box_wh = box[2:] - box[:2] #---------------------------------------------# # 再计算重合度较高的先验框的中心与长宽 #---------------------------------------------# assigned_priors_center = 0.5 * (assigned_priors[:, :2] + assigned_priors[:, 2:4]) assigned_priors_wh = (assigned_priors[:, 2:4] - assigned_priors[:, :2]) encoded_box[:, :2][assign_mask] = box_center - assigned_priors_center encoded_box[:, :2][assign_mask] /= assigned_priors_wh encoded_box[:, :2][assign_mask] /= assigned_priors[:, -4:-2] encoded_box[:, 2:4][assign_mask] = np.log(box_wh / assigned_priors_wh) encoded_box[:, 2:4][assign_mask] /= assigned_priors[:, -2:]到了这一步，我们来一起看一下encoded_box[:, :][assign_mask]里面的内容：
这就是符合正样本筛选之后得到的基于第一个gt框进行编码得到的。前四个是xywh的偏移量大小，最后一维是基于gt框的iou值。
同理，对所有的gt框进行处理之后，就得到了encoded_boxes，我们一起来看一下这个：
encoded_boxes[encoded_boxes[:, :, -1] != 0]
shape为（56,5），56表示的是该训练图片中符合与所有gt框iou值大于阈值或者没有大于阈值选取的最大iou值的锚点框的数量，即该训练数据图片一共有56个正样本，5表示：0-4是位置的偏移量，最后一维表示的是iou值。
再来看下，encoded_boxes：
首先，在encoded_boxes = np.apply_along_axis(self.encode_box, 1, boxes[:, :4])之后生成的encoded_boxes 的shape为(4, 43660)，然后进行reshape为（4,8732,5），4表示该训练图片一共有4个gt框，8732表示生成了8732个anchor box，5的含义与上述一致。
接着，对于所有的锚点框分别看看其与4个gt框哪个框的iou值最大。
# [num_priors]求取每一个先验框重合度最大的真实框 #---------------------------------------------------# best_iou = encoded_boxes[:, :, -1].max(axis=0) best_iou_idx = encoded_boxes[:, :, -1].argmax(axis=0) best_iou_mask = best_iou > 0 best_iou_idx = best_iou_idx[best_iou_mask]最终得到的best_iou_idx ：
best_iou_idx 的shape为（54,1），表示有54个符合条件的先验框（但是上面是56，还差两个？？我暂时还没搞懂。。。。。）
最后一步，就是将先验框的5个值全部赋值到assignment：
最终得到的assignment[assignment[:,4]==0]，shape为（54,33），54表示一共54个正样本，33表示其各种信息：