【目标检测】Anchor-based模型：基于K-means算法获取自制数据集的Anchor(yolo源码)

在Anchor-based目标检测模型中，根据数据集选择合适的Anchor有利于加快模型的收敛速度以及减少模型的边框预测误差。本篇文章首先介绍Anchor在目标检测模型中的作用；然后介绍K-means聚类算法；最后介绍yolo源码中自制数据集的Anchor的获取方法。

1 Anchor的理解

  在Anchor-based目标检测模型中(SSD，YOLO v3/v4/v5等)，其通过预先设定的具有不同宽高比和尺度的Anchor得到目标的粗略边框，并训练回归参数对Anchor进行修正以得到目标的准确边框。以YOLOv5为例，其基于Anchor的检测流程如图1所示，在不同尺度的输出特征图使用不同尺度的Anchor实现对不同大小目标的检测，在一个检测单元中，使用不同宽高比的Anchor对目标进行预测。

• 在较大的特征图上使用较小的Anchor，实现对小目标的检测；
• 在中等的特征图上使用中等的Anchor，实现对中等大小目标的检测；
• 在较小的特征图上使用较大的Anchor，实现对大目标的检测；

图1 Anchor设定方法

  在目标检测模型中，目标的类别预测结果不会随着其在图像中位置的改变而改变；但目标的边框信息会随着其在图像中位置的改变而改变，通过设定Anchor，实现目标边框对Anchor的偏移量预测，该偏移量不会随着目标在图像中位置的改变而改变，更有利于模型的回归，符合神经网络位移不变性。
  模型在训练中，根据Anchor和目标实际边框之间的IoU大小，分配用于检测该目标的Anchor。根据数据集科学的设置Anchor有利于加快模型训练时的收敛速度，减少模型对目标的漏检率。

2 K-means聚类算法

  K-means是最常见的聚类算法，算法接受未标记的数据集，然后将数据聚集成不同的组，其方法如下：

1. 首先选取K个随机的点，作为聚类中心；
2. 对于数据集中的每一个数据，计算其与聚类中心点的距离，并将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类；
3. 计算每一类的平均值，将该类的中心点移动到平均值的位置；
4. 重复步骤2-3，直到中心点不再改变。
   

图2 K-means分类示例

3 基于K-means获取自制数据集Anchor

Anchors获取

基于Scipy库中的kmeans函数计算K-means聚类(kmean_anchors)

• 输入：shapes（原图大小），labels(图像标签)，n(聚类中心点个数)，img_size(模型训练图像大小)
• 输出：anchors(在模型训练图像上的绝对大小)

def kmean_anchors(shapes, labels, n=9, img_size=640):
	'''
	shapes: 数据集图像大小
	labels: 数据集标签 [N, 5] 5->(cls, x, y, w, h)(相对大小) 
	n: Anchors数量(在img_size上绝对大小)
	img_sie：模型训练图像大小
	'''
	from scipy.cluster.vq import kmeans # 导入kmeans函数, 返回-> k:Anchors; distortion:每一类内点到中心点的平均距离
	
	# 数据集图像输入模型的大小(保持原图比例, 长边缩放为img_size)
	shapes = img_size * shapes / shapes.max(1, keepdims=True)
	# 得到所有目标的边框(在输入图像上绝对大小)
	wh0 = np.concatenate([l[:, 3:5] * s for s, l in zip(shapes, labels)])