YOLO-v3模型参数anchor设置

最新推荐文章于 2025-06-03 09:03:40 发布
最新推荐文章于 2025-06-03 09:03:40 发布
阅读量8w 收藏 316
点赞数 72
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： anchor
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m_buddy/article/details/82926024
本文介绍了YOLO-v3模型中Anchor参数的重要性，解释了Anchor的本质，即SPP思想的逆向，并详细说明了如何根据训练数据计算自定义的Anchor。通过KMeans算法确定Anchor盒子，虽然结果可能因初始点选择而异，但不影响网络最终适应。此外，对比了YOLOv2和YOLOv3中Anchor大小的设定差异。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. 背景知识

在YOLO-v2版本中就引入了anchor box的概念，极大增加了目标检测的性能。但是在训练自己数据的时候还是用模型中原有的anchor设置显然是有点不合适的，那么就涉及到根据自己的训练数据来设置anchor。

那么，首先我们需要知道anchor的本质是什么，本质是SPP(spatial pyramid pooling)思想的逆向。而SPP本身是做什么的呢，就是将不同尺寸的输入resize成为相同尺寸的输出。所以SPP的逆向就是，将相同尺寸的输出，倒推得到不同尺寸的输入。

接下来是anchor的窗口尺寸，这个不难理解，三个面积尺寸（ 12 8 2 ， 25 6 2 ， 51 2 2 128^2，256^2，512^2 1282，2562，5122），然后在每个面积尺寸下，取三种不同的长宽比例 （ 1 : 1 , 1 : 2 , 2 : 1 ） （1:1,1:2,2:1） （1:1,1

最低0.47元/天 解锁文章
YOLOv3中anchor机制的理解
苏打水的杯子的博客
11-14 1万+
1、为什么要引入anchor机制？ 如下图人和车的中心点都位于同一网格grid_8中，如果没有anchor机制的话，grid_8就存在属于哪一类的问题，如果属于车类，那只能用来预测车，人类就会被忽略，如果属于人类，那么车类将会被忽略。为了解决同一网络属于两个类的问题，引入了anchor机制，一个grid可以有三个anchor（对于yolo3）,图中的紫色框为anchor,那么横着的anchor框...
anchor设置 yolo_YOLOv3原理讲解之Anchor Box
weixin_39517400的博客
12-19 878
Anchor Box在讲解YOLO之前，有必要先解释什么是Anchor box。在做目标检测任务时，我们首先需要将数据标注并得到训练集、验证集、测试集。已标注的数据label，其实就是在原始图片中用矩形框框出目标，得到的矩形框参数(中心点坐标、长、宽)就是label。Anchor box其实就是从训练集中将所有的矩形框的大小尺寸统计处最常出现的某几个矩形框，这里我们可以采用K-Means来得到。这...
YOLOv3中Anchor理解
奔跑的小仙女
10-18 2万+
首先可以把anchor理解为：多尺度滑动窗口。 传统的检测过程是： 1、生成图像金字塔，因为待检测的物体的scale是变化的。 2、用滑动窗口在图片的特征金字塔上面滚动生成很多候选区域。 3、各种特征提取hog和分类器svm来对上面产生的候选区域中的图片信息来分类。 4、NMS非极大值抑制得到最后的结果。 但由于cnn具有强大的提取特征的能力，可以替代第三步，但第一第二步独立于cnn之...
Python-Pillow 图像处理：深入理解文本锚点(anchor)参数
最新发布
gitblog_00802的博客
06-03 399
Python-Pillow 图像处理：深入理解文本锚点(anchor)参数 Pillow Python Imaging Library (Fork) 项目地址: https://gitcode.com/gh_mirrors/pi/...
yolov3的anchor机制与损失函数详解
z5217632的博客
11-14 2万+
一、yolov3的anchor机制 网络实际的预测值为tx、ty、tw、th,根据上图中的四个公式计算得到预测框的中心点坐标和宽高bx、 by、 bw、 bh。其中，cx、 cy为当前grid相对于左上角grid偏移的grid数量。 σ()函数为logistic函数，将坐标归一化到0-1之间。最终得到的bx,by为归一化后的相对于grid cell的值。pw、 ph为与groundtruth重...
yolov3，生成自己数据的anchors
03-17
yolov3算法，能生成自己数据的anchors的python脚本
yolov3 anchor 理解
luoganttcc的博客
04-22 2002
yolov3 中的anchor 的框框是在训练集中聚类所得，在yolov3 中每个格子有9个anchor mask52= [0,1,2] mask26= [3,4,5] mask13= [6,7,8] anchors=[ 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326] yolov3 有9个anchor 点 #!/usr/bin/env python3 # -*- codin
一步步理解基于pytorch实现yolo-v3过程.zip
05-03
- `model.py`：定义YOLO-v3模型结构。 - `dataset.py`：处理数据集，包括读取标注、预处理等。 - `train.py`：训练脚本，设置训练参数，如批次大小、迭代次数等。 - `test.py`：测试脚本，用于评估模型性能。 最后...
YOLO系列-YOLO-V2和YOLO-V3
weixin_72090329的博客
10-11 407
最小的图像尺寸为320 x 320。这样会导致收敛问题，模型不稳定，尤其是刚开始进行训练的时候，V2中并没有直接使用偏移量，而是选择相对grid cell的偏移量。10、YOLO-V2-Fine-Grained Features：最后一层时感受野太大了，小目标可能丢失了，需融合之前的特征。faster-rcnn系列选择的先验比例都是常规的，但是不一定完全适合数据集。2、多scale：为了能检测到不同大小的物体，设计了3个scale。V3中也用了resnet的思想，堆叠更多的层来进行特征提取。
基于Pytorch的YOLO-v3-tiny实现代码
10-24
6. **模型训练**：使用PyTorch的optim模块进行模型参数的优化，通常使用Adam或SGD优化器。损失函数通常是多任务损失，包括分类损失、定位损失和置信度损失。 7. **模型推理**：训练完成后，模型可以直接应用于实时...
YOLO-v3
weixin_68080601的博客
11-22 978
YOLO-v3（You Only Look Once v3）是YOLO系列目标检测算法的第三个版本，于2018年由Joseph Redmon和Ali Farhadi提出。YOLO-v3在YOLO-v2的基础上进行了一系列改进，进一步提高了目标检测的准确性和性能。更适合小目标检测。
yolov3详解
yzy的博客
08-01 6050
每个边界框的中心点坐标均为相对于其对应的cell左上点坐标的偏移，此时即保证每个边界框的中心点均落在其对应的cell中。其计算公式如下： 上式中： 即为预测的边界框bounding box在feature map中的中心点坐标和长宽； 即为网络学习的相对于先验框(prior,anchor)的offsets； 是各个cell的左上点坐标；即为先验框(prior,anchor)相对于...
【论文理解】理解yolov3的anchor、置信度和类别概率
DLUT_yan的博客
09-18 4万+
以前写过一篇博客，都是转载其余博主的内容，对yolov3有了基本认识，但是当时只浮于表面，并没有真正的理解yolov3，现在对于yolov3的anchor计算，损失函数的计算有了一些新的理解，记录一下。 在网络最后的输出中，对于每个grid cell产生3个bounding box，每个bounding box的输出有三类参数：一个是对象的box参数，一共是四个值，即box的中心点坐标（x,y...
YOLOv3使用笔记——Kmeans聚类计算anchor boxes
热门推荐
Gotta-C的博客
08-29 4万+
        anchor boxes用来预测bounding box，faster rcnn中用128*128,256*256,512*512,分三个尺度变换1：1,1：2,2：1,共计9个anchor来预测框，每个anchor预测2000个框左右，使得检出率提高很多。YOLOv2开始增加了anchor机制，在v3中增加到9个anchor。例如yolov3-voc.cfg中这组anchor，a...
yolo_anchors.txt超参数值设置
君临天下tjm的博客
11-22 4055
keras-yolov3在训练自定义图片集之前，设置合理的yolo_anchors.txt值，有利于模型训练的收敛，一般都带有默认的参数如下： 在实际项目中，yolo_anchors的值可以根据kmeans.py计算获取，通过聚类得到最佳anchors数据； kmeans.py执行后即可得到合适的yolo_anchors参数值，代码如下： import numpy as np class YOLO_Kmeans: def __init__(self, cluster_number.
yolov2 /yolov3计算anchor
juluwangriyue的博客
09-24 1989
在windows下打开powershell，执行命令： python .\gen_anchors.py -filelist E:/tmp/detect/train.txt -num_clusters 5 其中gen_anchors.py内容如下，train.txt是训练样本的图片路径，同名的txt标注文件与图片同文件夹。 因为标注的格式是：类别、中心x、中心y、宽、高 所以下方代码读取的是后两个数据，即宽和高。 ''' Created on Feb 20, 2017 @author: ju
还原yolov3 的 anchors
qq_40297851的博客
06-26 569
Part I： kmeans 聚类 1.kmean 聚类代码 包 下载 指路： https://github.com/lars76/kmeans-anchor-boxes 2.使用方法： ''' 1. 打开 example.py 文件,修改 ANNOTATIONS_PATH。 2. 为解决 box has no area 问题，修改 example.py 文件，过滤掉xmax-xmin=0 , ymax-ymin=0时的数据值。 3. 在pycharm中运行，或在 该文件的终端，python e
yolov3获取自己数据集的anchors
佛系随心记
12-25 823
import numpy as np import random import argparse import os parser = argparse.ArgumentParser(description='YOLO-V3 anchor boxes') parser.add_argument('--input_annotation_txt_dir',default='/home/ouc-29/JN/datasets/yolov3/train/label/',type=str,help='') parse
YOLOV3
zhulf0804的博客
09-12 492
本篇文章整理一下Yolov3, Yolov3是单阶段目标检测的典型代表之一，那么它是如何实现目标检测的呢? 网络架构 画图这里参考了https://github.com/YunYang1994/tensorflow-yolov3 backbone网络 darknet53, 结构如下图所示, 它包括5个残差层，在每个残差层之前都由一个下采样操作，通过步长=2的卷积实现的. fpn网络 ...
基于YOLO-V3林业病虫害目标检测
05-18
### YOLO-V3用于林业病虫害目标检测的实现方法 #### 数据集准备 YOLO-V3的目标检测任务依赖于高质量的数据集。根据已有描述，AI识虫数据集中提供了2183张图片，分为训练集、验证集和测试集[^2]。这些数据涵盖了7种不同的昆虫种类，分别为Boerner、Leconte、Linnaeus、acuminatus、armandi、coleoptera和linnaeus。为了顺利开展实验，需确保数据已解压并存储在`insects`目录下。 #### 基础概念理解 在实施YOLO-V3之前，了解一些基本的概念至关重要。边界框（Bounding Box）、锚框（Anchor Boxes）以及交并比（Intersection over Union, IoU）是目标检测中的核心要素[^1]。边界框定义了目标的位置和大小；锚框则是预先设定的一组参考框，帮助模型更高效地定位目标；IoU用来衡量预测框与真实框之间的重叠程度。 #### 模型架构解析 YOLO-V3是一种单阶段检测算法，它利用单一神经网络来同时生成候选区域并预测物体类别及其位置[^1]。具体而言，该模型通过Darknet-53作为骨干网络提取特征，并采用多尺度预测机制，在不同分辨率层面上捕捉目标信息。这种设计使得YOLO-V3能够有效识别各种尺寸的目标。 以下是基于PyTorch框架的一个简单代码示例，展示如何加载预训练权重并对自定义数据集进行微调： ```python import torch from torchvision import transforms from yolov3.models import Darknet from yolov3.utils.datasets import ListDataset from yolov3.utils.utils import non_max_suppression # 加载YOLOv3模型配置文件 config_path = 'yolov3.cfg' weights_path = 'yolov3.weights' model = Darknet(config_path) model.load_darknet_weights(weights_path) # 定义数据转换操作 transform = transforms.Compose([ transforms.Resize((416, 416)), transforms.ToTensor(), ]) # 创建ListDataset实例读取本地图片路径列表 train_dataset = ListDataset('path/to/train.txt', transform=transform) dataloader = torch.utils.data.DataLoader(train_dataset, batch_size=8, shuffle=True) # 微调过程省略... ``` #### 训练与评估流程 针对林业病虫害数据集的具体情况，可以按照以下方式调整超参数并执行训练： - 设置学习率初始值较低（如0.001），随着迭代次数增加逐步衰减； - 使用交叉熵损失函数结合L1平滑损失优化分类与回归部分的表现； - 验证过程中引入mAP指标评价模型性能优劣。 最后一步涉及部署环节，即将经过充分训练后的模型导出为可移植格式以便实际应用场景下的快速推理运算。
评论 79
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值