YoloV3 先验框
- 本文主要是记录在学习YoloV3模型先验框作用和生成
- 文本参考睿智的目标检测10——先验框详解及其代码实现，这篇博客其实写的非常详细，我在此处就不再展开，仅仅写一下个人学习理解
- 有错误的话还望不吝批评。
先验框
- 提前在图像上预设好的不同大小，不同长宽比的框,使得模型更加容易学习
- 使用不同尺寸和长宽比可以得到更大的交并比，就有更高的概率出 现对于目标物体有良好匹配度的先验框（体现为高IoU）
- 简单的一句话来讲，先验框就是帮助我们定好了 常见目标的宽和高，在进行预测的时候，我们可以利用这个已经定好的宽和高处理，可以帮助我们进行预测。
先验框的生成主要有以下方法：
- 人为经验选取
- k-means聚类,可以参看K-Means聚类算法详解
- 作为超参数进行学习
先验框生成方式
- 在此使用k-means聚类对人工标注好的数据集中目标 宽高进行聚类，目的是计算出对于目标物体有良好匹配度的先验框。
- 一般使用k-means聚类时用的是欧拉距离完成聚类，但先验框这是和 宽高（我理解为面积）强相关的，所以使用IOU进行计算。
- 注意在k-means聚类时'”距离值”越小重合度越大，但是”IOU值”与之相反(“IOU值”越大重合度越大)，所以计算时用不可直接用”IOU值”计算，可以用”1-IOU值”使其满足数值越小重合度越大
d i s t a n c e ( i , c e n t e r ) = 1 − I O U ( i , c e n t e r ) distance(i,center)=1−IOU(i,center)d i s t a n c e (i ,c e n t e r )=1 −I O U (i ,c e n t e r )
先验框生成关键代码
- 这个代码是目标检测|Anchor（先验框）的作用出自这篇博客的。我添加一些注释帮助理解
def kmeans(box, k):
#-------------------------------------------------------------#
# 取出一共有多少框
#-------------------------------------------------------------#
row = box.shape[0]
#-------------------------------------------------------------#
# 每个框各个点的位置
#-------------------------------------------------------------#
distance = np.empty((row, k))
#-------------------------------------------------------------#
# 最后的聚类位置
#-------------------------------------------------------------#
last_clu = np.zeros((row, ))
np.random.seed()
#-------------------------------------------------------------#
# 随机选k个当聚类中心
#-------------------------------------------------------------#
cluster = box[np.random.choice(row, k, replace = False)]
iter = 0
while True:
#-------------------------------------------------------------#
# cas_iou:计算当前框和随机选的k个当聚类中心的IOU,distance: shape = (row, k)
#-------------------------------------------------------------#
for i in range(row):
distance[i] = 1 - cas_iou(box[i], cluster)
#-------------------------------------------------------------#
# 计算当前框到k个当聚类中心最小距离,near是一个下标值,存储所有框最近的距离中心index
#-------------------------------------------------------------#
near = np.argmin(distance, axis=1)
if (last_clu == near).all():
break
#-------------------------------------------------------------#
# 求每一个类的中位点,更新k个聚类中心点的值
#-------------------------------------------------------------#
for j in range(k):
cluster[j] = np.median(
box[near == j],axis=0)
last_clu = near
if iter % 5 == 0:
print('iter: {:d}. avg_iou:{:.2f}'.format(iter, avg_iou(box, cluster)))
iter += 1
return cluster, near
IOU的计算
def cas_iou(box, cluster):
x = np.minimum(cluster[:, 0], box[0])
y = np.minimum(cluster[:, 1], box[1])
intersection = x * y
area1 = box[0] * box[1]
area2 = cluster[:,0] * cluster[:,1]
iou = intersection / (area1 + area2 - intersection)
return iou
Original: https://blog.csdn.net/damon93/article/details/123199800
Author: damon93
Title: YoloV3 先验框
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/549912/
转载文章受原作者版权保护。转载请注明原作者出处！