yolov5 anchors 中 K-means聚类

yolov5 anchors 中 K-means聚类 anchors运行trains.py没有生成anchor原因程序kmeans改动（距离、k-means++）运行trains.py没有生成anchor原因

推荐整理分享yolov5 anchors 中 K-means聚类，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助，希望把文章链接给更多的朋友！

yolov5运行后有一行 autoanchor:

一些教程的生成图如下

训练一开始会先计算Best Possible Recall (BPR)，当BPR < 0.98时，再在kmean_anchors函数中进行 k 均值 和 遗传算法 更新 anchors 。

但是我的数据集BPR = 0.9997，所以没有生成新的anchors。 默认的预设anchors很匹配我的训练数据，anchors就不会在更改，就使用预设的。 改了聚类的欧氏距离为iou，和去掉遗传算法，都没有预设的效果好。

yolov5s.yaml anchor：

best.pt 的anchor查看一下和 s 一样

# #################查看模型 的 anchor #######################import torchfrom models.experimental import attempt_loadmodel = attempt_load('runs/train/exp_xxxxxxxxxxxx/weights/best.pt', map_location=torch.device('cpu'))m = model.module.model[-1] if hasattr(model, 'module') else model.model[-1]print(m.anchor_grid)

如果直接使用预设anchors： 训练时命令行添加–noautoanchor，表示不计算anchor，直接使用配置文件里的默认的anchor，不加该参数表示训练之前会自动计算。

程序

train.py utils.autoanchor.py 当BPR < 0.98时，再在kmean_anchors函数中进行 k 均值 和 遗传算法 更新 anchors

如果就要看它生成anchor的结果，可以把0.98改为0.9999

kmeans改动（距离、k-means++）

用 kmean_anchors 进行聚类。yolov5中用了kmeans和遗传算法。源代码 Kmeans calculation 欧氏距离聚类和遗传算法。

作者默认使用的k-means方法是scipy包提供的，使用的是欧式距离。 博主改成了基于1-IOU(bboxes, anchors)距离的方法。

kmeans和kmeans++参考博客。k-means++算法，属于k-means算法的衍生，其主要解决的是k-means算法第一步，随机选择中心点的问题。

用聚类算法算出来的anchor并不一定比初始值即coco上的anchor要好，原因是目标检测大部分基于迁移学习，backbone网络的训练参数是基于coco上的anchor学习的，所以其实大部分情况用这个聚类效果并没有直接使用coco上的好！！而且聚类效果跟数据集的数量有很大关系，一两千张图片，聚类出来效果可能不会很好

autoanchor.py

# print(f'{prefix}Running kmeans for {n} anchors on {len(wh)} points...') # s = wh.std(0) # sigmas for whitening # k, dist = kmeans(wh / s, n, iter=30) # points, mean distance # assert len(k) == n, f'{prefix}ERROR: scipy.cluster.vq.kmeans requested {n} points but returned only {len(k)}' # k *= s k = k_means(wh, n)

新建 yolo_kmeans.py

import numpy as np# 这里IOU的概念更像是只是考虑anchor的长宽def wh_iou(wh1, wh2): # Returns the nxm IoU matrix. wh1 is nx2, wh2 is mx2 wh1 = wh1[:, None] # [N,1,2] wh2 = wh2[None] # [1,M,2] inter = np.minimum(wh1, wh2).prod(2) # [N,M] return inter / (wh1.prod(2) + wh2.prod(2) - inter) # iou = inter / (area1 + area2 - inter)# k-means聚类，且评价指标采用IOUdef k_means(boxes, k, dist=np.median, use_iou=True, use_pp=False): """ yolo k-means methods Args: boxes: 需要聚类的bboxes,bboxes为n*2包含w，h k: 簇数(聚成几类) dist: 更新簇坐标的方法(默认使用中位数，比均值效果略好) use_iou：是否使用IOU做为计算 use_pp：是否是同k-means++算法 """ box_number = boxes.shape[0] last_nearest = np.zeros((box_number,)) # 在所有的bboxes中随机挑选k个作为簇的中心 if not use_pp: clusters = boxes[np.random.choice(box_number, k, replace=False)] # k_means++计算初始值 else: clusters = calc_center(boxes, k) # print(clusters) while True: # 计算每个bboxes离每个簇的距离 1-IOU(bboxes, anchors) if use_iou: distances = 1 - wh_iou(boxes, clusters) else: distances = calc_distance(boxes, clusters) # 计算每个bboxes距离最近的簇中心 current_nearest = np.argmin(distances, axis=1) # 每个簇中元素不在发生变化说明以及聚类完毕 if (last_nearest == current_nearest).all(): break # clusters won't change for cluster in range(k): # 根据每个簇中的bboxes重新计算簇中心 clusters[cluster] = dist(boxes[current_nearest == cluster], axis=0) last_nearest = current_nearest return clusters# 计算单独一个点和一个中心的距离def single_distance(center, point): center_x, center_y = center[0] / 2, center[1] / 2 point_x, point_y = point[0] / 2, point[1] / 2 return np.sqrt((center_x - point_x) ** 2 + (center_y - point_y) ** 2)# 计算中心点和其他点直接的距离def calc_distance(boxes, clusters): """ :param obs: 所有的观测点 :param clusters: 中心点 :return:每个点对应中心点的距离 """ distances = [] for box in boxes: # center_x, center_y = x/2, y/2 distance = [] for center in clusters: # center_xc, cneter_yc = xc/2, yc/2 distance.append(single_distance(box, center)) distances.append(distance) return distances# k_means++计算中心坐标def calc_center(boxes, k): box_number = boxes.shape[0] # 随机选取第一个中心点 first_index = np.random.choice(box_number, size=1) clusters = boxes[first_index] # 计算每个样本距中心点的距离 dist_note = np.zeros(box_number) dist_note += np.inf for i in range(k): # 如果已经找够了聚类中心，则退出 if i + 1 == k: break # 计算当前中心点和其他点的距离 for j in range(box_number): j_dist = single_distance(boxes[j], clusters[i]) if j_dist < dist_note[j]: dist_note[j] = j_dist # 转换为概率 dist_p = dist_note / dist_note.sum() # 使用赌轮盘法选择下一个点 next_index = np.random.choice(box_number, 1, p=dist_p) next_center = boxes[next_index] clusters = np.vstack([clusters, next_center]) return clusters

还要多远才能进入你的心

还要多久才能和你接近