yolov3 anchor的数值设置,yolov5 anchors

　　在yolov5算法中，通常会针对不同的数据集预先设置固定锚点。本文主要介绍YOLOV5中关于锚点设置的相关信息，通过示例代码详细介绍。有需要的朋友可以参考一下。

　　00-1010 1.默认锚定框2。自定义锚定框1。训练时锚箱的自动计算2。训练前手动计算锚箱参考的博文(感谢！):总结：yolov5中增加了自动学习包围盒锚点，其他yolo系列中没有。

一、默认锚定框

二、自定义锚定框

　　yolov5中不仅使用了默认锚框，在训练开始前还会检查数据集中的标注信息，并计算该数据集中的标注信息对默认锚框的最佳召回率。当最佳召回率大于等于0.98时，不需要更新锚盒。如果最佳召回率小于0.98，就需要重新计算匹配这个数据集的锚盒。

　　检查锚定框是否适合要求的函数在文件/utils/autoanchor.py中：

　　def check_anchors(数据集，模型，thr=4.0，imgsz=640):

　　Thr是指数据集中标注框长宽比的最大阈值，默认值是hyp.scratch.yaml中“anchor_t”的参数值

　　用于验证的主要代码如下：

　　定义度量(k): #计算度量

　　r=wh[:无]/k[无]

　　x=torch.min(r，1。/r)。min(2)[0] #比率度量

　　best=x.max(1)[0] # best_x

　　aat=(x 1。/thr)。浮动()。总和(1)。平均值()#高于阈值的锚点

　　bpr=(最佳1。/thr)。浮动()。mean() #最佳回忆

　　返回bpr，aat

　　bpr，aat=metric(m.anchor_grid.clone()。cpu()。视图(-1，2))

　　需要解释两个指标(bpr和aat):

　　最佳召回

　　aat(锚高于阈值)

　　bpr参数是判断锚帧是否需要重新计算(是否小于0.98)的依据。

　　重新计算符合该数据集标注框的锚框，用kmean聚类方法实现。代码在文件/utils/auto cache . py中：

　　def kmean_anchors(path=./data/coco128.yaml, n=9, img_size=640, thr=4.0, gen=1000, verbose=True):

　　 """ Creates kmeans-evolved anchors from training dataset

　　 Arguments:

　　 path: path to dataset *.yaml, or a loaded dataset

　　 n: number of anchors

　　 img_size: image size used for training

　　 thr: anchor-label wh ratio threshold hyperparameter hyp[anchor_t] used for training, default=4.0

　　 gen: generations to evolve anchors using genetic algorithm

　　 verbose: print all results

　　 Return:

　　 k: kmeans evolved anchors

　　 Usage:

　　 from utils.autoanchor import *; _ = kmean_anchors()

　　 """

　　 thr = 1. / thr

　　 prefix = colorstr(autoanchor: )

　　 def metric(k, wh): # compute metrics

　　 r = wh[:, None] / k[None]

　　 x = torch.min(r, 1. / r).min(2)[0] # ratio metric

　　 # x = wh_iou(wh, torch.tensor(k)) # iou metric

　　 return x, x.max(1)[0] # x, best_x

　　 def anchor_fitness(k): # mutation fitness

　　 _, best = metric(torch.tensor(k, dtype=torch.float32), wh)

　　 return (best * (best > thr).float()).mean() # fitness

　　 def print_results(k):

　　 k = k[np.argsort(k.prod(1))] # sort small to large

　　 x, best = metric(k, wh0)

　　 bpr, aat = (best > thr).float().mean(), (x > thr).float().mean() * n # best possible recall, anch > thr

　　 print(f{prefix}thr={thr:.2f}: {bpr:.4f} best possible recall, {aat:.2f} anchors past thr)

　　 print(f{prefix}n={n}, img_size={img_size}, metric_all={x.mean():.3f}/{best.mean():.3f}-mean/best,

　　 fpast_thr={x[x > thr].mean():.3f}-mean: , end=)

　　 for i, x in enumerate(k):

　　 print(%i,%i % (round(x[0]), round(x[1])), end=, if i < len(k) - 1 else \n) # use in *.cfg

　　 return k

　　 if isinstance(path, str): # *.yaml file

　　 with open(path) as f:

　　 data_dict = yaml.load(f, Loader=yaml.SafeLoader) # model dict

　　 from utils.datasets import LoadImagesAndLabels

　　 dataset = LoadImagesAndLabels(data_dict[train], augment=True, rect=True)

　　 else:

　　 dataset = path # dataset

　　 # Get label wh

　　 shapes = img_size * dataset.shapes / dataset.shapes.max(1, keepdims=True)

　　 wh0 = np.concatenate([l[:, 3:5] * s for s, l in zip(shapes, dataset.labels)]) # wh

　　 # Filter

　　 i = (wh0 < 3.0).any(1).sum()

　　 if i:

　　 print(f{prefix}WARNING: Extremely small objects found. {i} of {len(wh0)} labels are < 3 pixels in size.)

　　 wh = wh0[(wh0 >= 2.0).any(1)] # filter > 2 pixels

　　 # wh = wh * (np.random.rand(wh.shape[0], 1) * 0.9 + 0.1) # multiply by random scale 0-1

　　 # Kmeans calculation

　　 print(f{prefix}Running kmeans for {n} anchors on {len(wh)} points...)

　　 s = wh.std(0) # sigmas for whitening

　　 k, dist = kmeans(wh / s, n, iter=30) # points, mean distance

　　 k *= s

　　 wh = torch.tensor(wh, dtype=torch.float32) # filtered

　　 wh0 = torch.tensor(wh0, dtype=torch.float32) # unfiltered

　　 k = print_results(k)

　　 # Plot

　　 # k, d = [None] * 20, [None] * 20

　　 # for i in tqdm(range(1, 21)):

　　 # k[i-1], d[i-1] = kmeans(wh / s, i) # points, mean distance

　　 # fig, ax = plt.subplots(1, 2, figsize=(14, 7), tight_layout=True)

　　 # ax = ax.ravel()

　　 # ax[0].plot(np.arange(1, 21), np.array(d) ** 2, marker=.)

　　 # fig, ax = plt.subplots(1, 2, figsize=(14, 7)) # plot wh

　　 # ax[0].hist(wh[wh[:, 0]<100, 0],400)

　　 # ax[1].hist(wh[wh[:, 1]<100, 1],400)

　　 # fig.savefig(wh.png, dpi=200)

　　 # Evolve

　　 npr = np.random

　　 f, sh, mp, s = anchor_fitness(k), k.shape, 0.9, 0.1 # fitness, generations, mutation prob, sigma

　　 pbar = tqdm(range(gen), desc=f{prefix}Evolving anchors with Genetic Algorithm:) # progress bar

　　 for _ in pbar:

　　 v = np.ones(sh)

　　 while (v == 1).all(): # mutate until a change occurs (prevent duplicates)

　　 v = ((npr.random(sh) < mp) * npr.random() * npr.randn(*sh) * s + 1).clip(0.3, 3.0)

　　 kg = (k.copy() * v).clip(min=2.0)

　　 fg = anchor_fitness(kg)

　　 if fg > f:

　　 f, k = fg, kg.copy()

　　 pbar.desc = f{prefix}Evolving anchors with Genetic Algorithm: fitness = {f:.4f}

　　 if verbose:

　　 print_results(k)

　　 return print_results(k)

　　对 kmean_anchors()函数中的参数做一下简单解释（代码中已经有了英文注释）：

path：包含数据集文件路径等相关信息的 yaml 文件（比如 coco128.yaml），或者数据集张量（yolov5 自动计算锚定框时就是用的这种方式，先把数据集标签信息读取再处理）
n：锚定框的数量，即有几组；默认值是9
img_size：图像尺寸。计算数据集样本标签框的宽高比时，是需要缩放到 img_size 大小后再计算的；默认值是640
thr：数据集中标注框宽高比最大阈值，默认是使用超参文件 hyp.scratch.yaml 中的 anchor_t 参数值；默认值是4.0；自动计算时，会自动根据你所使用的数据集，来计算合适的阈值。
gen：kmean聚类算法迭代次数，默认值是1000
verbose：是否打印输出所有计算结果，默认值是true

　　如果你不想自动计算锚定框，可以在 train.py 中设置参数即可：

parser.add_argument(--noautoanchor, action=store_true, help=disable autoanchor check)

2、训练前手动计算锚定框

　　如果使用 yolov5 训练效果并不好（排除其他原因，只考虑预设锚定框这个因素）, yolov5在核查默认锚定框是否符合要求时，计算的最佳召回率大于0.98，没有自动计算锚定框；此时你可以自己手动计算锚定框。【即使自己的数据集中目标宽高比最大值小于4，默认锚定框也不一定是最合适的】

　　首先可以自行编写一个程序，统计一下你所训练的数据集所有标签框宽高比，看下宽高比主要分布在哪个范围、最大宽高比是多少？比如：你使用的数据集中目标宽高比最大达到了 5:1（甚至 10:1），那肯定需要重新计算锚定框了，针对coco数据集的最大宽高比是 4:1 。

　　然后在 yolov5 程序中创建一个新的 python 文件 test.py，手动计算锚定框：

import utils.autoanchor as autoAC
　　# 对数据集重新计算 anchors
　　new_anchors = autoAC.kmean_anchors(./data/mydata.yaml, 9, 640, 5.0, 1000, True)
　　print(new_anchors)

　　输入信息如下（只截取了部分）：

autoanchor: Evolving anchors with Genetic Algorithm: fitness = 0.6604: 87%████████▋ 866/1000 [00:00<00:00, 2124.00it/s]autoanchor: thr=0.25: 0.9839 best possible recall, 3.84 anchors past thr
autoanchor: n=9, img_size=640, metric_all=0.267/0.662-mean/best, past_thr=0.476-mean: 15,20, 38,25, 55,65, 131,87, 97,174, 139,291, 256,242, 368,382, 565,422
autoanchor: thr=0.25: 0.9849 best possible recall, 3.84 anchors past thr
autoanchor: n=9, img_size=640, metric_all=0.267/0.663-mean/best, past_thr=0.476-mean: 15,20, 39,26, 54,64, 127,87, 97,176, 142,286, 257,245, 374,379, 582,424
autoanchor: thr=0.25: 0.9849 best possible recall, 3.84 anchors past thr
autoanchor: n=9, img_size=640, metric_all=0.267/0.663-mean/best, past_thr=0.476-mean: 15,20, 39,26, 54,63, 126,86, 97,176, 143,285, 258,241, 369,381, 583,424
autoanchor: thr=0.25: 0.9849 best possible recall, 3.84 anchors past thr
autoanchor: n=9, img_size=640, metric_all=0.267/0.663-mean/best, past_thr=0.476-mean: 15,20, 39,26, 54,63, 127,86, 97,176, 143,285, 258,241, 369,380, 583,424
autoanchor: thr=0.25: 0.9849 best possible recall, 3.84 anchors past thr
autoanchor: n=9, img_size=640, metric_all=0.267/0.663-mean/best, past_thr=0.476-mean: 15,20, 39,26, 53,63, 127,86, 97,175, 143,284, 257,243, 369,381, 582,422
autoanchor: thr=0.25: 0.9849 best possible recall, 3.84 anchors past thr
autoanchor: n=9, img_size=640, metric_all=0.267/0.663-mean/best, past_thr=0.476-mean: 15,20, 40,26, 53,62, 129,85, 96,175, 143,287, 256,240, 370,378, 582,419
autoanchor: Evolving anchors with Genetic Algorithm: fitness = 0.6605: 100%██████████ 1000/1000 [00:00<00:00, 2170.29it/s]
Scanning '..\coco128\labels\train2017.cache' for images and labels... 128 found, 0 missing, 2 empty, 0 corrupted: 100%██████████ 128/128 [00:00<?, ?it/s]
autoanchor: thr=0.25: 0.9849 best possible recall, 3.84 anchors past thr
autoanchor: n=9, img_size=640, metric_all=0.267/0.663-mean/best, past_thr=0.476-mean: 15,20, 40,26, 53,62, 129,85, 96,175, 143,287, 256,240, 370,378, 582,419
[[ 14.931 20.439]
[ 39.648 25.53]
[ 53.371 62.35]
[ 129.07 84.774]
[ 95.719 175.08]
[ 142.69 286.95]
[ 256.46 239.83]
[ 369.9 378.3]
[ 581.87 418.56]]

Process finished with exit code 0
　　

　　输出的 9 组新的锚定框即是根据自己的数据集来计算的，可以按照顺序替换到你所使用的配置文件*.yaml中（比如 yolov5s.yaml）。就可以重新训练了。

参考的博文（表示感谢！）：

　　https://github.com/ultralytics/yolov5

　　https://blog.csdn.net/flyfish1986/article/details/117594265

　　https://zhuanlan.zhihu.com/p/183838757

　　https://blog.csdn.net/aabbcccddd01/article/details/109578614

总结

　　到此这篇关于yolov5中anchors设置详解的文章就介绍到这了,更多相关yolov5anchors设置内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

yolov3 anchor的数值设置,yolov5 anchors

目录

一、默认锚定框

二、自定义锚定框

2、训练前手动计算锚定框

参考的博文（表示感谢！）：

总结

相关文章阅读