| YOLO利用kmeans聚类算法计算anchors box（原理介绍及代码） | 您所在的位置：网站首页 › yolov5kmeans › YOLO利用kmeans聚类算法计算anchors box（原理介绍及代码） |
YOLO利用kmeans聚类算法计算anchors box（原理介绍及代码）
|
1.Kmeans介绍
kmeans聚类属于无监督学习算法，目的是将一组数据分成k组，称之为k个簇，计算出这k组中每组的中心。 从百度图片上找了一张图片，大概就是这样，分成下图中的三组，并且找出每一组的中心。
算法思想： （1）从数据集中随机选取k个点，作为初始化的簇中心 （2）计算每个点到簇中心的距离，并将该点分配到最近的簇中（与那一簇中心的距离最近） （3）对于2步中重新分配好的簇，重新计算这个簇的中心（大概就是求横纵坐标的均值做为新的中心） （4）重复2, 3步，直到新计算的簇中心不再变化为止 2.kmeans应用于anchors box计算anchors box用于预测bounding box，当anchors box更接近真实的宽高时，模型的性能也就越好。 kmeans应用在anchors box的计算就是为了计算出更接近真实宽高的k对值。 与上边的kmeans不同的是不能用欧式几何距离进行分簇，而是采用IOU交并比来作为衡量每队值应该划分进那一簇。 不知道IOU的看这篇：https://blog.csdn.net/weixin_39025871/article/details/105209726 IOU可以很好的表示出两对宽高的接近情况，IOU取值为[0,1]之间，IOU越大就表示这两对宽高比越贴近，反之越小表示这两对宽高比差别越远。（放进上边介绍中，就代表，IOU越大，就是两个点离得越近，越小就是两个点离得越远） 在kmeans里，"距离" 就用 1 - IOU表示，划分时选择值较小的，也就代表了介绍里的距离近。 算法流程和介绍里的基本类似，就是将距离换成 1-IOU 3.kmeans求解anchors代码：代码来源：GitHub - qqwweee/keras-yolo3: A Keras implementation of YOLOv3 (Tensorflow backend) 我加上了一些注释 import numpy as np class YOLO_Kmeans: def __init__(self, cluster_number, filename): self.cluster_number = cluster_number self.filename = filename def iou(self, boxes, clusters): # 1 box -> k clusters 计算IOU n = boxes.shape[0] k = self.cluster_number box_area = boxes[:, 0] * boxes[:, 1] box_area = box_area.repeat(k) box_area = np.reshape(box_area, (n, k)) cluster_area = clusters[:, 0] * clusters[:, 1] cluster_area = np.tile(cluster_area, [1, n]) cluster_area = np.reshape(cluster_area, (n, k)) box_w_matrix = np.reshape(boxes[:, 0].repeat(k), (n, k)) cluster_w_matrix = np.reshape(np.tile(clusters[:, 0], (1, n)), (n, k)) min_w_matrix = np.minimum(cluster_w_matrix, box_w_matrix) box_h_matrix = np.reshape(boxes[:, 1].repeat(k), (n, k)) cluster_h_matrix = np.reshape(np.tile(clusters[:, 1], (1, n)), (n, k)) min_h_matrix = np.minimum(cluster_h_matrix, box_h_matrix) inter_area = np.multiply(min_w_matrix, min_h_matrix) # 交集 result = inter_area / (box_area + cluster_area - inter_area) #交并比IOU return result def avg_iou(self, boxes, clusters): #计算 求完anchors后的准确率 accuracy = np.mean([np.max(self.iou(boxes, clusters), axis=1)]) return accuracy def kmeans(self, boxes, k, dist=np.median): box_number = boxes.shape[0] distances = np.empty((box_number, k)) last_nearest = np.zeros((box_number,)) np.random.seed() clusters = boxes[np.random.choice( #初始化簇中心，随机选取k个宽高作为簇中心 box_number, k, replace=False)] # init k clusters while True: distances = 1 - self.iou(boxes, clusters) #距离 用 1-IOU current_nearest = np.argmin(distances, axis=1) if (last_nearest == current_nearest).all(): #比较本次与上一次的k个簇中心是否变化 break # clusters won't change #没有变化则停止迭代更新 for cluster in range(k): clusters[cluster] = dist( # update clusters boxes[current_nearest == cluster], axis=0) last_nearest = current_nearest return clusters def result2txt(self, data): #将计算结果写进yolo_anchors.txt f = open("yolo_anchors.txt", 'w') row = np.shape(data)[0] for i in range(row): if i == 0: x_y = "%d,%d" % (data[i][0], data[i][1]) else: x_y = ", %d,%d" % (data[i][0], data[i][1]) f.write(x_y) f.close() def txt2boxes(self): #从训练集文件中读取并计算实际的宽 高 f = open(self.filename, 'r') dataSet = [] for line in f: infos = line.split(" ") length = len(infos) for i in range(1, length): width = int(infos[i].split(",")[2]) - \ int(infos[i].split(",")[0]) height = int(infos[i].split(",")[3]) - \ int(infos[i].split(",")[1]) dataSet.append([width, height]) result = np.array(dataSet) f.close() return result def txt2clusters(self): # 计算 anchors all_boxes = self.txt2boxes() # 加载实际数据 宽高 result = self.kmeans(all_boxes, k=self.cluster_number) result = result[np.lexsort(result.T[0, None])] self.result2txt(result) print("K anchors:\n {}".format(result)) print("Accuracy: {:.2f}%".format( self.avg_iou(all_boxes, result) * 100)) if __name__ == "__main__": cluster_number = 9 # 分成k组，根据需要自己设定 filename = "2012_train.txt" #训练集文件，格式为： 路径 [左上 右下 类别](5个值) ... kmeans = YOLO_Kmeans(cluster_number, filename) kmeans.txt2clusters()
|
【本文地址】