yolo训练自己数据集anchors的选择 |
您所在的位置：网站首页 › yolov3 anchor的数值设置 › yolo训练自己数据集anchors的选择 |
yolo训练自己数据集anchors的选择
|
项目场景：
在训练yolo网络检测目标时，需要根据待检测目标的位置大小分布情况对anchor进行调整，使其检测效果尽可能提高。我们这时候不能直接使用COCO的anchors，自己可以重新聚类9组anchors。 问题描述：Yolo为了训练COCO数据集准备了三组anchors，其对COCO数据集的检测有了提升。 ./models/yolo.yaml anchors: #- [5,6, 7,9, 12,10] # P2/4 - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32 如果训练自己的数据集，自己的数据量没有coco数据集那么多，且数据信息没有那么丰富，并且anchor大小尺寸的分布不如coco数据集那样规律，比如：小目标检测，多目标检测。建议根据自己的数据集去聚类一份新的适合自己数据集的anchors。 ./utils/autoanchor.py/kmean_anchors def kmean_anchors(path='./data/coco.yaml', n=9, img_size=640, thr=4.0, gen=1000, verbose=True): 按照coco.yaml新建配置一个“目标.yaml”文件，里面设置好训练集路径；n=9，表示聚类9个点，这个不要改，img_size训练集图像大小，thr训练集目标长宽比例，可根据自己的待检测目标进行调整。 解决方案： 调整完成之后运行autoanchor.py发现并无输出，其原因是直接写入了模块，并没有显示出来。
|
我们可以打断点将其debug出来,打开./models/yolo.py找到其m.anchors,对其进行断点标注，然后debug yolo.py，步入cutoanchor.py文件，在调试器找到autoanchor.py，在变量中找到m的参数，其 anchor_grid为作者为COCO数据集设置的anchors。 
然后data中的变量为聚类自己数据集的anchors。 
将其保存替换yolo.yaml文件中的anchors。【本文地址】
今日新闻 |
推荐新闻 |