参考：https://blog.csdn.net/hrsstudy/article/details/71173305
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簇作为最终目标。
问题
K-Means算法主要解决的问题如下图所示。我们可以看到，在图的左边有一些点，我们用肉眼可以看出来有四个点群，K-Means算法被用来找出这几个点群。
算法概要
从上图中，我们可以看到，A, B, C, D, E 是五个在图中点。而灰色的点是我们的种子点，也就是我们用来找点群的点。有两个种子点，所以K=2。
然后，K-Means的算法如下：
随机在图中取K（这里K=2）个种子点。
然后对图中的所有点求到这K个种子点的距离，假如点Pi离种子点Si最近，那么Pi属于Si点群。（上图中，我们可以看到A,B属于上面的种子点，C,D,E属于下面中部的种子点）
接下来，我们要移动种子点到属于他的“点群”的中心。（见图上的第三步）
然后重复第2）和第3）步，直到，种子点没有移动（我们可以看到图中的第四步上面的种子点聚合了A,B,C，下面的种子点聚合了D，E）。
程序实现：
import numpy as np
import pandas as pd
class YOLO_Kmeans:
def __init__(self, cluster_number, data_file, anchors_file):
self.cluster_number = cluster_number#6 or 9
self.data_file = data_file
self.anchors_file = anchors_file
def iou(self, boxes, clusters): # 1 box -> k clusters, boxes代表实际的每个box的宽和高， clusters为聚类中心
n = boxes.shape[0]
k = self.cluster_number
box_area = boxes[:, 0] * boxes[:, 1]#box的面积长x宽
box_area = box_area.repeat(k)#将每个box的面积重复6次，构成一个1行6列的数组
box_area = np.reshape(box_area, (n, k))
cluster_area = clusters[:, 0] * clusters[:, 1]#计算每个聚类中心的面积
cluster_area = np.tile(cluster_area, [1, n])
cluster_area = np.reshape(cluster_area, (n, k))#将聚类中心构成与输入boxes具有同样维度的矩阵，可以避免循环运算
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)
result = inter_area / (box_area + cluster_area - inter_area)
return result
def avg_iou(self, boxes, clusters):
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(
box_number, k, replace=False)] # init k clusters从原来的众多box中随机选取6个box
while True:
distances = 1 - self.iou(boxes, clusters)
current_nearest = np.argmin(distances, axis=1)
if (last_nearest == current_nearest).all():
break # clusters won't change
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data保存进txt文档中，覆盖方式
f = open(self.anchors_file, 'w')
row = np.shape(data)[0]
for i in range(row):
if i == 0:
x_y = "%d,%d" % (data[i][0], data[i][1])#若data只有1行，直接两个数据用逗号隔开保存
else:
x_y = ", %d,%d" % (data[i][0], data[i][1])#若data有多行，就将每行数据以空格隔开
f.write(x_y)
f.close()
def txt2boxes(self):
f = open(self.data_file, '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 csv2boxes(self):
dataSet = []
train_data = pd.read_csv(self.data_file, header=None)
for value_i in train_data.values:
end_num = len(value_i)
for i in range(1, end_num, 5):
width = value_i[i+2] - value_i[i]
height = value_i[i+3] - value_i[i+1]
dataSet.append([width, height])##获取所有box的宽和高
result = np.array(dataSet)
return result
def txt2clusters(self):
all_boxes = self.csv2boxes()#获取所有box的宽和高
result = self.kmeans(all_boxes, k=self.cluster_number)
result = result[np.lexsort(result.T[0, None])]#对于聚类结果，按照第一维度进行从小到大排序
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 = 6 # tiny-yolo--6, yolo--9
data_file = "train_annotations.csv"
anchors_file = "anchors_6.txt"
kmeans = YOLO_Kmeans(cluster_number=cluster_number, data_file=data_file, anchors_file=anchors_file)
kmeans.txt2clusters()