yolo v5_anchor设计

1.评估函数

    def metric(k):  # compute metric
　　　　　# wh为GT的宽度和高度，形状为(N,9,2); k为anchor,形状为(9,2), r形状为（N, 9, 2）
        r = wh[:, None] / k[None]
　　　　　# (N,9,2)按维度2求最小值，即GT的宽高分别和预测的anchor宽高比值按照 9 所有anchor值得维度的最小值，输出形状为(N, 9)
        x = torch.min(r, 1 / r).min(2)[0]  # ratio metric
　　　　  # (N, 9)按维度1求最大值，输出形状N
        best = x.max(1)[0]  # best_x
　　　　　
        aat = (x > 1 / thr).float().sum(1).mean()  # anchors above threshold
        # thr为设置的超参阈值，anchor wh比例阈值， 当best中每行的值大于该阈值，被认为可以召回，来计算召回率
　　　　　bpr = (best > 1 / thr).float().mean()  # best possible recall
        return bpr, aat

2. anchor计算 -下面为计算anchor核心代码

　　
 　# wh0为所有GT的宽度和高度，形状为（N,2）
　　wh = wh0[(wh0 >= 2.0).any(1)]  # filter > 2 pixels

　　#（N,2）按照 行维度分别计算宽度和高度的标准差,s形状为（2）

　　s = wh.std(0)  # sigmas for whitening
　　# （N,2）除以标准差之后进行kmean聚类，类别数为n=9，输出k为n=9个聚类的中心，形状为（9,2）
    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)}'
    # 上面除以了标准差，宽度和高度进行还原 
　　 k *= s
    
    # 下面的操作就是在聚类出来得点进行细微的扰动，得到最终的anchor
　　 npr = np.random
    f, sh, mp, s = anchor_fitness(k), k.shape, 0.9, 0.1  # fitness, generations, mutation prob, sigma
    pbar = tqdm(range(gen), desc=f'{PREFIX}Evolving anchors with Genetic Algorithm:')  # progress bar
    for _ in pbar:
        v = np.ones(sh)
　　　　　# 得到细微的扰动的动量
        while (v == 1).all():  # mutate until a change occurs (prevent duplicates)
            v = ((npr.random(sh) < mp) * random.random() * npr.randn(*sh) * s + 1).clip(0.3, 3.0)
        # 对得到的anchor进行细微的扰动
        kg = (k.copy() * v).clip(min=2.0)
　　　　　# 通过评估函数，计算召回率
        fg = anchor_fitness(kg)
　　　　　# 召回比之前的anchor好，本次计算的anchor就是结果
        if fg > f:
            f, k = fg, kg.copy()
            pbar.desc = f'{PREFIX}Evolving anchors with Genetic Algorithm: fitness = {f:.4f}'
            if verbose:
                print_results(k, verbose)