anchor box 是如何确定的?

最新推荐文章于 2025-07-03 14:27:59 发布
原创 最新推荐文章于 2025-07-03 14:27:59 发布 · 4.5k 阅读 · 23 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#anchor box

本文探讨了Anchor Box在目标检测中的作用，包括其位置设置、数量和形状的设定，以及预测过程。 Anchor Box的位置通常是人为设计并均匀分布于图片上，数量和形状也由人工设定。预测过程中涉及IOU匹配、类别预测和位置偏移量计算，并通过非极大值抑制（NMS）优化结果。

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

文章目录

anchor box 是如何确定的?

anchor box 框的位置是怎么设置的？

  • 通常一个对象或者说一个中心点的 anchor box 不是通过数学公式或者训练数据集生成的，而时由人主动设计的（这就感觉不够智能，很傻）。
  • 通常均分分布在图片上（其本质和滑动窗口检测一样，都是在遍历图片）。
  • 一个中心会对应多个 anchor box 。（数量也是认为设定的，不够智能，超参数设置）

anchor box 的数量和形状是怎么设置的？

  • 数量和形状通常都是人为设定的，想设置多少就是多少。（YOLO 第一个版本的anchor box 形状是认为给定的，第二个版本中的 anchor box的形状是通过聚类来自动设计的。有效的降低了 框大小带来的loss值，测试得分会更高一点。）

  • 在YOLOv1里面会为每一幅图片分配49个 cell，每一个cell 会分配 2 个anchor box，所以总共就会有98个 anchor box。

  1. 首先要给每一幅图分配多个中心点（cell）。（中心点的数量不是自动设计，不够智能）
  2. 再给每个中心点分配多个 anchor box 。（anchor box 的数量也不是自动设计的，不够智能）

anchor box 的预测过程是怎样的？

  • 预测过程分为2个部分，预测框的位置和框的类别。

1. 将 anchor box 与 bounding box 匹配：

最低0.47元/天 解锁文章

200万优质内容无限畅学
Anchor和RPN的浅薄理解(一)-Anchor Box和特征的对应
认真努力，做一只会飞的毛毛虫。
01-18 7422
首先：一幅图说明一切（创作不易，麻烦给个小赞(*^_^*)） 明确第一个概念：anchor是特征上的每个像素映射到原图上的相应位置的点，其位置是在原始图像上。anchor box是以anchor为中心按照预先设定的比例和尺寸得到的举行框，其位置也是在原始图像上。 明确第二个概念：边界框回归参数预测阶段的输入不是坐标位置，而是图像的特征信息。 明确完以上两个概念后再来研究研究anchor： 初始时通过3×3卷积(stride=1，padding=1，卷积核个数=输入特征的channel)后，得到的特
【目标检测】anchor基础知识整理
weixin_40389065的博客
01-03 4583
目标检测算法一般可分为anchor-based、anchor-free、两者融合类，区别就在于有没有利用anchor提取候选目标框。下面我们来具体介绍。 1. Anchor是什么 目标检测是"在哪里有什么"的任务，在这个任务中，目标的类别不确定、数量不确定、位置不确定、尺度不确定，传统非深度学习方法如VJ和DPM，和早期深度学习方法如OverFeat，都要金字塔多尺度+遍历滑窗的方式，逐尺度逐位置判断"这个尺度的这个位置处有没有认识的目标"，非常笨重耗时。 anchor的概念最早出现在FasterRCNN的
yolov5的anchor详解
anny_jra的博客
02-17 2万+
一直对yolov5的检测过程怎么完成的，利用anchor加速学习，在损失时与GT比较，加速收敛。
新手也能彻底搞懂的目标检测Anchor是什么？怎么科学设置？[附代码]
AIZOO人工智能乐园
03-12 5275
在基于anchor的目标检测网络（Faster RCNN、SSD、YOLO v2&v3等）中，一个至关重要的步骤就是科学的设置anchor，可以说，Anchor设置的合理与否，极大的影响着最终模型检测性能的好坏。本文，我们将以质朴的语言介绍Anchor导致是什么，以及如何科学的设置anchor。 对于目标检测新手来说，一个比较常见的误区就是拿到模型，直接无修改的在自己的数...
YOLO 中的三大框类型全解析：Ground Truth、Anchor、Bounding Box 有何区别？
最新发布
guoguozgw的博客
07-03 347
🟥 1. Ground Truth Box（真值框）预设的一些模板框，模型学习时的“参考基准”。🟨 3. Bounding Box（预测框）🟦 2. Anchor Box（锚框）模型预测出来的目标框，最终输出结果。数据集中人工标注的真实目标位置。
anchor box 生成
这些个事儿
06-26 995
代码如下：调用generate_anchors（）函数 # -------------------------------------------------------- # Faster R-CNN # Copyright (c) 2015 Microsoft # Licensed under The MIT License [see LICENSE for details] # Wri...
【目标检测】如何理解anchor box，怎么进行选择
学无止境、积少成多、厚积薄发
02-20 377
https://zhuanlan.zhihu.com/p/63214411 http://www.itheima.com/news/20200916/171358.html
如何设置合适的anchor
tsq292978891的博客
06-07 1894
写在前面 基于anchor的检测方法，anchor的作用是作为GT框和分配到Feature Map(后面简称FM)的一个媒介，通过计算FM上每个grid对应的anchor和GT之间的IOU大小，如果IOU大于一个阈值，那么这个grid就被分为正样本，如果小于阈值，则被分为负样本。Anchor有两个属性，表示大小的scale，表示宽高比的ratio。对anchor的设置直接会影响到正负样本的生成。在具体实现代码中，anchor的大小通常由 anchor_base_sizes 和 anchor_scales决定
什么是Bounding Box、anchor box?
hjl_heart的博客
10-30 4万+
由于最近在看YOLOv3算法，感觉老是不清楚bounding box和anchor box的概念，看完吴恩达的视频后准备写一篇博客记下笔记。em...所以也会用吴恩达视频中的例子来讲。 在视频中，有一张图片，假设要检测的目标类别有3类，行人、轿车、摩托车。我们将图片划分为3*3的网格(grid cells)，并且设置有两个anchor boxes(即，图中那两个紫色边框)。这样每次检测一个grid cell，就会输出一个向量y = [Pc, bx, by, bh, bw, c1, c...
Kmeans聚类算法获得anchor_box
03-03
标题"Kmeans聚类算法获得anchor_box"表明我们要用KMeans来确定这些预定义的Anchor Box的大小。这个过程涉及到对训练数据集中已知物体边界框的统计分析，以找到最具代表性的尺寸。KMeans算法通过将数据点分配到最近的...
锚框(anchor box)/先验框(prior bounding box)概念介绍及其生成
热门推荐
qq_46110834的博客
12-19 4万+
一.锚框(anchor box)/先验框(prior bounding box) 在众多经典的目标检测模型中，均有先验框的说法，有的paper(如Faster RCNN)中称之为anchor(锚点)，有的paper(如SSD)称之为prior bounding box(先验框)，实际上是一个概念，特此说明。 1.锚框的作用 对于目标检测任务，有这样一种经典解决方案：遍历输入图像上所有可能的像素框，然后选出正确的目标框，并对位置和大小进行调整就可以完成目标检测任务。这些进行预测的像素框就叫目标框。这些目标框通
理解anchor box究竟是如何生成的
cc__cc__的博客
03-25 1012
1.相关参数设定 在经过特征提取网络之后得到的特征图w和h大小均会变成原图w和h的n分之一，即特征图上的1个点会对应原图中n×n大小的区域。例如，VGG16网络中有4个池化层，经过4次降采样，所以n=base_size=2^4=16。 假设anchor box的不同ratios分别为[1:1,1:2,2:1] 假设anchor box的scale设为8（可设为多个，下文以8为例） 2.代码 这...
Bounding Box与anchor box
m0_54146002的博客
09-26 4656
之前一直分不清Bounding Box与anchor box，直到问了一下 YOLO会将输入的图片分成S*S个网格，每个小网格会生成n个anchor Box。图像的真实框会和图像中心点所在的小网格生成的anchor box做IOU计算。回归出来的框就是Bounding Box（也就是网络输出的框，他与真实框和anchor Box都有差距） ...
深度学习应用篇-计算机视觉-目标检测[4]：综述、边界框bounding box、锚框（Anchor box）、交并比、非极大值抑制NMS、SoftNMS
丨汀、的博客
06-08 4327
声明：部分项目为网络经典项目方便大家快速学习，后续会不断增添实战环节（比赛、论文、现实应用等）
faster rcnn中rpn的anchor，sliding windows，proposals？
weixin_30765505的博客
01-10 194
最近也在看这部分内容，将自己的理解和大家分享一下，希望有所帮助。 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（128...
anchor的理解
shuijinghua的博客
04-16 4076
参考:https://blog.youkuaiyun.com/xzzppp/article/details/51377731 首先我们需要知道anchor的本质是什么，本质是SPP(spatial pyramid pooling，空间金字塔池化)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,使得任意大小的特征图都能够转换成固定大小的特征向量,这就是空间...
YOLO v2和V3 关于设置生成anchorbox，Boundingbox边框回归的个人理解
shenkunchang1877的博客
04-21 9567
PS：这篇文章主要是自己学习纪录下的笔记，不对的地方还请指正。 网上有很多优秀博客，介绍了yolov2的设计思想以及实现过程。绝大部分我都翻阅了一遍，也看了论文，找了视频看了。 这篇文章只说明anchorbox 和boundingbox之间的关系，想学习YOLOv2整体的过程可参考这个：https://zhuanlan.zhihu.com/p/47575929。 首先看了 yolov1 过程...
yolo中的anchor和bounding box的区别
guoguozgw的博客
12-05 1305
yolo中的anchor和bounding box
Faster-RCNN 中的 anchor 与原图中 boundingbox 的对应关系
Yafee的专栏
03-23 4419
通常在 Flag 立下之后的第一篇博客，总想把很多东西都放在一篇文章里面说得透透的，这样就像是在一个迷宫，越走发现可以走的路越多，所以往往就偏离主线越来越远，因此原计划就成了烂尾楼。 而解决拖延症的最好办法就是抛弃完美主义，无论写的多烂，先搞定一个版本，后面再改。因此本篇就是出于这个初衷，可能有理解不到位的地方，希望大家讨论指正。 闲话少叙，下面进入主题 ------------------...
anchorbox详解
04-29
### Anchor Box 的原理与应用 #### 1. **Anchor Box 的基本概念** Anchor Box 是一种用于目标检测的方法，在深度学习领域中广泛应用。它的核心思想是在图像的不同位置预先设定一系列固定大小和比例的边界框（bounding boxes），称为 anchor boxes 或 anchors[^1]。这些预定义的框覆盖整个输入图像，作为潜在的目标区域。 #### 2. **Anchor Box 的生成机制** 在 Faster R-CNN 中，Anchor Box 被引入以替代传统的 Selective Search 和 Edge Boxes 方法。具体来说，每个特征图上的像素点都会对应多个 anchor boxes，它们具有不同的尺度（scale）和宽高比（aspect ratio）。例如，对于某个特定的特征点，可能会有三种尺寸（小、中、大）和两种宽高比（正方形、矩形），总共生成六个 anchor boxes[^3]。 这些 anchor boxes 映射回原始图像后，能够覆盖各种形状和大小的对象。通过卷积神经网络（CNN），模型会预测每个 anchor 是否包含对象及其类别概率，并调整其坐标以更好地匹配真实目标的位置。 #### 3. **Anchor Box 的优化过程** 为了提高效率并减少冗余计算，Faster R-CNN 使用 Region Proposal Network (RPN) 自动生成候选框。相比于传统方法需要处理约 2000 个候选框，这种方法显著降低了时间复杂度[^3]。此外，由于 anchor boxes 是由 CNN 动态生成而非手工设计，因此更加灵活且适应性强。 #### 4. **无锚框算法对比** 尽管 Anchor-Based 方法取得了巨大成功，但也存在局限性，比如超参数设置困难以及对极端纵横比物体表现不佳等问题。为此，研究者提出了 KeyPoint-Based 方法，如 CornerNet，它不依赖于任何预设的 bounding box 模板，而是直接寻找目标的关键点（通常是左上角和右下角顶点）来构建最终检测框[^2]。这种方式不仅简化了流程还提升了精度特别是针对细长型物品的情况。 #### 5. **实际应用场景** - **自动驾驶**: 准确识别道路上行人车辆等移动障碍物至关重要； - **安防监控**: 实现全天候实时视频流分析预警功能； - **医疗影像诊断辅助工具开发** : 自动标记病变区域帮助医生快速定位病灶； 以上均需借助高效精准的目标探测技术才能达成预期效果,而anchor box正是满足这一需求的重要组成部分之一. ```python import torch from torchvision.models.detection import fasterrcnn_resnet50_fpn model = fasterrcnn_resnet50_fpn(pretrained=True) device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu') model.to(device) def predict(image_tensor): model.eval() with torch.no_grad(): predictions = model([image_tensor.to(device)]) return predictions ``` 此代码片段展示了如何加载预训练好的 Faster R-CNN 模型并将数据送入 GPU 进行推理运算的过程。 ---
评论 2
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