YOLOv3使用自己数据集——Kmeans聚类计算anchor boxes

YOLOv3使用笔记——Kmeans聚类计算anchor boxes

使用自己数据集聚类得到anchors。
相比于作者使用VOC数据集的精度更高。

# kmeans 聚类计算anchor boxesimport glob
import xml.etree.ElementTree as ETimport numpy as npfrom kmeans import kmeans, avg_iou# 标签文件地址
ANNOTATIONS_PATH = "/home/peter/桌面/项目文档/相机-雷达识别/724DATA/label_png"
CLUSTERS = 9def load_dataset(path):dataset = []for xml_file in glob.glob("{}/*xml".format(path)):tree = ET.parse(xml_file)height = int(tree.findtext("./size/height"))width = int(tree.findtext("./size/width"))for obj in tree.iter("object"):xmin = int(obj.findtext("bndbox/xmin")) / widthymin = int(obj.findtext("bndbox/ymin")) / heightxmax = int(obj.findtext("bndbox/xmax")) / widthymax = int(obj.findtext("bndbox/ymax")) / heightxmin = np.float64(xmin)ymin = np.float64(ymin)xmax = np.float64(xmax)ymax = np.float64(ymax)if xmax == xmin or ymax == ymin:print(xml_file)dataset.append([xmax - xmin, ymax - ymin])return np.array(dataset)if __name__ == '__main__':#print(__file__)''''#使用10次循环去均值，但是所得精度82%反而不如一次的88%高for i in range(10):data = load_dataset(ANNOTATIONS_PATH)out = kmeans(data, k=CLUSTERS)if i == 0:out1 = outelse:out1 = out1 + outprint(i)out1 = out1 / 10#clusters = [[10,13],[16,30],[33,23],[30,61],[62,45],[59,119],[116,90],[156,198],[373,326]]#out= np.array(clusters)/608.0out = out1'''data = load_dataset(ANNOTATIONS_PATH)out = kmeans(data, k = CLUSTERS)# 输入图片大小为width = 608, height = 608print('out*608:')out1 = out * 608out1.astype(np.int32)print(out1)print("Accuracy: {:.2f}%".format(avg_iou(data, out) * 100))print("Boxes:\n {}-{}".format(out[:, 0] * 608, out[:, 1] * 608))ratios = np.around(out[:, 0] / out[:, 1], decimals = 2).tolist()print("Ratios:\n {}".format(sorted(ratios)))

输出结果：

out*608:
[[19.37481032 10.93853073][13.83915023 10.93853073][18.90633295 13.67316342][24.91047041 10.93853073][21.21198331  9.11544228][16.37011756 12.30584708][14.99241275  8.65967016][22.60394537 12.76161919][16.83124763 10.02698651]]
Accuracy: 88.91%
Boxes:[19.37481032 13.83915023 18.90633295 24.91047041 21.21198331 16.3701175614.99241275 22.60394537 16.83124763]-[10.93853073 10.93853073 13.67316342 10.93853073  9.11544228 12.305847088.65967016 12.76161919 10.02698651]
Ratios:

最终的anchros及输出结果：

out.astype(np.int32)

array([[14, 10],[14,  9],[25, 10],[20,  9],[17, 10],[17, 12],[17,  8],[20, 14],[22, 11]], dtype=int32)

将上面int32的内容替换yolov3.cfg中的anchros保存即可。

YOLOv3使用自己数据集——Kmeans聚类计算anchor boxes相关推荐

【YOLOv3】用自己的标注数据Kmeans聚类计算anchor
代码地址:https://github.com/lars76/kmeans-anchor-boxes 一.计算出归一化的anchor 1.修改上述代码中的example.py ANNOTATIONS_ ...
K-means 计算 anchor boxes
k-means原理 K-means算法是很典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大.该算法认为簇是由距离靠近的对象组成的,因此把得到紧凑且独立的 ...
Kmeans聚类K值选择Parametric Bootstrap方法，以及数据重抽样方法Bootstrapping
常用的K值选择方法是通过寻找"拐点"确认,或者下游业务需求确定.下文介绍了另一种选择方法. 评论:原始该K值选择法只有在数据为"gaussian-like"时才 ...
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 ...
通过K-means对iris数据集进行处理 Kmeans聚类算法实例
Python from sklearn import datasets import matplotlib.pyplot as plt from sklearn.cluster import KMea ...
实践 | k-means聚类（使用鸢尾花数据集）
使用K-means聚类算法筛实现鸢尾花聚类鸢尾花数据集描述导入相关包直接从sklearn.datasets中加载数据集绘制二维数据分布图实例化K-means类&定义训练函数训练可 ...
用pytorch及numpy计算成对余弦相似性矩阵，并用numpy实现kmeans聚类
sklearn和scipy里面都提供了kmeans聚类的库,但是它们都是根据向量直接进行计算欧氏距离.闵氏距离或余弦相似度,如果使用其他的度量函数或者向量维度非常高需要先计算好度量距离然后再聚类时 ...
Kmeans聚类：啤酒数据集聚类
今日分享:啤酒数据集聚类一:流程 1.利用pandas库读取数据集文件,加载数据,选取目标数据用于训练 2.使用kmeans模型进行聚类训练 3.使用matpotlib库以可视化的方式来展示聚类效果 ...
计算思维与数据科学 K-Means聚类模型信用卡用户风险评估 python连接数据库来处理数据
实验目的 1.处理信用卡数据异常值 1)读取信用卡数据: 2)丢弃逾期.呆账.强制停卡.退票.拒往记录为1.瑕疵户为2的记录: 3)丢弃呆账.强制停卡.退票为1.拒往记录为2的记录: 4)丢弃频率为5 ...

YOLOv3使用自己数据集——Kmeans聚类计算anchor boxes

YOLOv3使用笔记——Kmeans聚类计算anchor boxes

YOLOv3使用自己数据集——Kmeans聚类计算anchor boxes相关推荐

最新文章

热门文章