anchors
运行trains.py没有生成anchor原因
yolov5运行后有一行 autoanchor:
一些教程的生成图如下
训练一开始会先计算 Best Possible Recall (BPR)，当 BPR < 0.98时，再在 kmean_anchors函数中进行 k 均值 和 遗传算法 更新 anchors 。
但是我的数据集 BPR = 0.9997，所以没有生成新的anchors。
默认的预设anchors很匹配我的训练数据，anchors就不会在更改，就使用预设的。
改了聚类的欧氏距离为iou，和去掉遗传算法，都没有预设的效果好。
yolov5s.yaml anchor：
best.pt 的anchor查看一下和 s 一样
import torch
from models.experimental import attempt_load
model = attempt_load('runs/train/exp_xxxxxxxxxxxx/weights/best.pt', map_location=torch.device('cpu'))
m = model.module.model[-1] if hasattr(model, 'module') else model.model[-1]
print(m.anchor_grid)
如果直接使用预设anchors：
训练时命令行添加 –noautoanchor，表示不计算anchor，直接使用配置文件里的默认的anchor，不加该参数表示训练之前会自动计算。
程序
train.py
utils.autoanchor.py
当
BPR < 0.98时，再在 kmean_anchors函数中进行 k 均值 和 遗传算法 更新 anchors
如果就要看它生成anchor的结果，可以把0.98改为0.9999
; kmeans改动（距离、k-means++）
用 kmean_anchors 进行聚类。yolov5中用了kmeans和遗传算法。源代码 Kmeans calculation 欧氏距离聚类和 遗传算法。
作者默认使用的k-means方法是scipy包提供的，使用的是欧式距离。
博主改成了基于 1-IOU(bboxes, anchors)距离的方法。
kmeans和kmeans++参考博客。k-means++算法，属于k-means算法的衍生，其主要解决的是k-means算法第一步，随机选择中心点的问题。
用聚类算法算出来的anchor并不一定比初始值即coco上的anchor要好，原因是目标检测大部分基于迁移学习，backbone网络的训练参数是基于coco上的anchor学习的，所以其实大部分情况用这个聚类效果并没有直接使用coco上的好！！而且聚类效果跟数据集的数量有很大关系，一两千张图片，聚类出来效果可能不会很好
autoanchor.py
k = k_means(wh, n)
新建 yolo_kmeans.py
import numpy as np
def wh_iou(wh1, wh2):
wh1 = wh1[:, None]
wh2 = wh2[None]
inter = np.minimum(wh1, wh2).prod(2)
return inter / (wh1.prod(2) + wh2.prod(2) - inter)
def k_means(boxes, k, dist=np.median, use_iou=True, use_pp=False):
"""
yolo k-means methods
Args:
boxes: 需要聚类的bboxes,bboxes为n*2包含w，h
k: 簇数(聚成几类)
dist: 更新簇坐标的方法(默认使用中位数，比均值效果略好)
use_iou：是否使用IOU做为计算
use_pp：是否是同k-means++算法
"""
box_number = boxes.shape[0]
last_nearest = np.zeros((box_number,))
if not use_pp:
clusters = boxes[np.random.choice(box_number, k, replace=False)]
else:
clusters = calc_center(boxes, k)
while True:
if use_iou:
distances = 1 - wh_iou(boxes, clusters)
else:
distances = calc_distance(boxes, clusters)
current_nearest = np.argmin(distances, axis=1)
if (last_nearest == current_nearest).all():
break
for cluster in range(k):
clusters[cluster] = dist(boxes[current_nearest == cluster], axis=0)
last_nearest = current_nearest
return clusters
def single_distance(center, point):
center_x, center_y = center[0] / 2, center[1] / 2
point_x, point_y = point[0] / 2, point[1] / 2
return np.sqrt((center_x - point_x) ** 2 + (center_y - point_y) ** 2)
def calc_distance(boxes, clusters):
"""
:param obs: 所有的观测点
:param clusters: 中心点
:return:每个点对应中心点的距离
"""
distances = []
for box in boxes:
distance = []
for center in clusters:
distance.append(single_distance(box, center))
distances.append(distance)
return distances
def calc_center(boxes, k):
box_number = boxes.shape[0]
first_index = np.random.choice(box_number, size=1)
clusters = boxes[first_index]
dist_note = np.zeros(box_number)
dist_note += np.inf
for i in range(k):
if i + 1 == k:
break
for j in range(box_number):
j_dist = single_distance(boxes[j], clusters[i])
if j_dist < dist_note[j]:
dist_note[j] = j_dist
dist_p = dist_note / dist_note.sum()
next_index = np.random.choice(box_number, 1, p=dist_p)
next_center = boxes[next_index]
clusters = np.vstack([clusters, next_center])
return clusters
还要多远才能进入你的心 还要多久才能和你接近
Original: https://blog.csdn.net/zrg_hzr_1/article/details/121714910
Author: 国服最强貂蝉
Title: yolov5 anchors 中 K-means聚类
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/625944/
转载文章受原作者版权保护。转载请注明原作者出处！