yolov5的anchor详解 |
您所在的位置：网站首页 › 形容人生失意的句子说说心情 › yolov5的anchor详解 |
|
以yolov5s v3为例： anchor长啥样及怎么得到的？以下是yolov5 v3.0中的anchor anchors: 1. [10,13, 16,30, 33,23] # P3/8 608/8=76 2. [30,61, 62,45, 59,119] # P4/16 608/16=38 3. [116,90, 156,198, 373,326] # P5/32 608/32=19为啥anchor一共是3行呢？ 答：这里指的是在三个不同分辨率的特征图上的anchor，能够分别对大、中、小目标进行计算。 第一行在最大的特征图上 ----小数值检测大的目标 第二行在第二大的特征图上 第三行在最小的特征图上----大数值检测小的目标 为啥anchor一行是六个数呢，xywh个数也不对啊？ 这里就要说一下anchor是怎么生成的了。 对于输出层（Prediction），经过前面的一系列特征提取和计算操作后，会生成三个特定大小的特征，大小分别为608/8=76，608/16=38，608/32=19，可能这也是输入图像大小要求是32的倍数的原因。 下面是v5代码中采用kmeans计算anchor的过程。 path代表数据yaml路径，n代表聚类数，img_size代表模型输入图片的大小，thr代表长宽比的阈值（将长宽比限定在一定的范围内,这个可以自己统计一下数据集），gen代表kmeans迭代次数。 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 Return: k: kmeans evolved anchors Usage: from utils.general import *; _ = kmean_anchors() """ thr = 1. / thr 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 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('thr=%.2f: %.4f best possible recall, %.2f anchors past thr' % (thr, bpr, aat)) print('n=%g, img_size=%s, metric_all=%.3f/%.3f-mean/best, past_thr=%.3f-mean: ' % (n, img_size, x.mean(), besan(), x[x > thr].mean()), end='') for i, x in enumerate(k): print('%i,%i' % (round(x[0]), round(x[1])), end=', ' if i 2 pixels # Kmeans calculation print('Running kmeans for %g anchors on %g points...' % (n, len(wh))) 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) # unflitered 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)) # 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] |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |