如何解释 Yolo 或 R-CNN 中的锚框？答案

【问题标题】：How to interpret anchor boxes in Yolo or R-CNN?如何解释 Yolo 或 R-CNN 中的锚框？
【发布时间】：2019-01-09 23:59:15
【问题描述】：

对于 yolo 或 R-CNN 等算法，它们使用锚框的概念来预测对象。 https://pjreddie.com/darknet/yolo/

锚框是在特定数据集上训练的，COCO数据集的一个是：

anchors =  0.57273, 0.677385, 1.87446, 2.06253, 3.33843, 5.47434, 7.88282, 3.52778, 9.77052, 9.16828

但是，我不明白如何解释这些锚框？一对值 (0.57273, 0.677385) 是什么意思？

【问题讨论】：

标签： computer-vision deep-learning

【解决方案1】：

在原始的 YOLO 或YOLOv1 中，预测是在没有对目标对象的形状进行任何假设的情况下进行的。假设网络试图检测人类。我们知道，一般来说，人类适合垂直的矩形盒子，而不是方形盒子。然而，最初的 YOLO 试图以相等的概率检测矩形和方形框的人。

但这效率不高，可能会降低预测速度。所以在YOLOv2 中，我们对物体的形状做了一些假设。这些是锚盒。通常我们将锚框作为一些数字的列表提供给网络，这是一系列宽度和高度对：

锚点 = [0.57273, 0.677385, 1.87446, 2.06253, 3.33843, 5.47434, 7.88282, 3.52778, 9.77052, 9.16828]

在上面的例子中，(0.57273, 0.677385) 表示单个anchor box，其中两个元素分别是width和height。也就是说，这个列表定义了 5 个不同的锚框。请注意，这些值与输出大小有关。例如，YOLOv2 输出 13x13 的特征矩阵，你可以通过将 13 乘以锚点的值来获得绝对值。

使用锚框使预测速度更快一些。但准确度可能会降低。 The paper of YOLOv2 说：

使用锚框，我们的准确度会略有下降。仅限YOLO 每个图像预测 98 个框，但我们的模型预测锚框超过一千。没有锚框，我们的中间模型得到 69.5 mAP，召回率为 81%。使用锚框，我们的模型获得 69.2 mAP，召回率为 88%。尽管 mAP 减少，但增加召回意味着我们的模型还有更大的改进空间

【讨论】：

【解决方案2】：

这就是我的理解：YOLO 将 416x416 图像划分为 13x13 网格。每个网格为 32 像素。锚框的大小与网格的大小有关。所以一个宽度和高度为 0.57273, 0.677385 像素的锚框实际上的大小为

w = 0.57273 * 32 = 18.3 像素
h = 0.677385 * 32 = 21.67 像素

如果您转换所有这些值，则可以将它们绘制在 416x416 图像上以可视化它们。

【讨论】：

你的回答很有道理。我有一个疑问.. yolo 是否总是将图像划分为 13*13 或者它只是dareknet 的实现或者它只是你使用的一个例子？
Yolo 版本 2 始终将图像划分为 13x13 网格。你可以看看论文。暗网是这家伙写的框架。借助 Darknet，您可以使用许多不同的 CNN，例如 YOLO（就像 TensorFlow）。