1.YOLO v2/v3中anchor大小的确定（聚类方法）

1.按照欧氏距离，大盒子会比小盒子更容易产生大误差，所以采用自定义的距离公式来定义聚类中心（anchor）与标注框的距离：

到聚类中心的距离越小越好，但IOU值是越大越好，所以使用 1 - IOU，这样就保证距离越小，IOU值越大。

具体步骤：
1.使用的聚类原始数据是只有标注框的检测数据集，YOLOv2、v3都会生成一个包含标注框位置和类别的TXT文件，其中每行都 包含，即ground truth boxes相对于原图的坐标，是框的中心点，是框的宽和高，N是所有标注框的个数；

2.首先给定k个聚类中心点，这里的是anchor boxes的宽和高尺寸，由于anchor boxes位置不固定，所以没有(x,y)的坐标，只有宽和高；

3.计算每个标注框和每个聚类中心点的距离 d=1-IOU(标注框,聚类中心)，计算时每个标注框的中心点都默认与聚类中心重合，这样才能计算IOU值，即。将标注框分配给“距离”最近的聚类中心；

4.所有标注框分配完毕以后，对每个簇重新计算聚类中心点，计算方式为，是第i个簇的标注框个数，就是求该簇中所有标注框的宽和高的平均值。

5.重复第3、4步，直到聚类中心改变量很小。

注意：
1.聚类中心个数（anchor个数）是人为指定的，yolov2作者是根据不同anchor个数时的效果来折中选取了聚类中心数；
2.随机初始化聚类中心，聚类效果会不稳定，需要一些方法来更好的确定初始聚类中心；

2.YOLO 训练和预测过程

2.1 训练

图像被分成SS个grid，每个网格中有B个anchor box（指每个网格中最多能检测出B类物体）。如果网格划分过多，每个网格内基本上只会出现一个物体的中心，1个anchor box就够用了。图中网格划分较大，假设每个grid中最多可能出现两类物体。所以每个grid中是两个anchor box，对应图中的28个输出。网络最终的输出是对应网格划分和输出数据维数，上图卷积神经网络的最终输出就应该是3328（33个grid，每个grid有2个anchor,1个anchor对应8个输出信息）。

Pc表示anchor中有物体的概率，bx和by是物体中心在grid中的位置坐标，以当前grid左上角为原点，归一化表示，范围在0-1之间。bh和bw表示bounding box的宽高，也是归一化表示，但是范围可以大于1，也就是包围盒可以超出当前grid。

我们拿到的训练样本是带有手工标注bouding box的图像，需要根据网格划分和bouding box的类别信息来生成对应的输出。还是以上图为例，需要检测的物体类别包括人、汽车和摩托车。找到图中所有标注出来的物体包围盒，发现只有一个包围盒，且包围盒的类别属于汽车。包围盒的中心位于第三行第二列的grid中，所以分配给这个grid。

这个grid中有两个anchor,分配给哪个anchor呢？前面已经利用K均值聚类，得到了预定的anchor个数和形状，anchor的中心默认在grid的中心。分别计算当前包围盒和anchor1、anchor2的IOU。汽车的包围盒与anchor2的IOU更高，所以指定anchor2的输出为（1，0.3，0.3，0.6，0.6，0，1，0）。1表示有物体的概率，0.3表示物体中心在方格中的横坐标（归一化表示），0.3表示物体中心在方格中的纵坐标（归一化表示），0.6表示包围盒宽度和grid宽度的比值，0.6表示包围盒高度和grid高度的比值。最后的0，1，0表示这个包围盒是汽车的包围盒（包围盒的类别信息）。又archor1没有包围盒与之匹配，输出为（0，？，？，？，？，？，？，？）。所以就得到这个grid的输出：anchor1+anchor2（8+8）。

因为只有一个包围盒，且已经分配给上述grid，剩余grid的输出就全是（0，？，？，？，？，？，？，？）2。得到了整个图像对应的最终输出33*16。

上述整个过程更像是对训练集中图像的预处理，得到每个图像的3316输出，用来训练YOLO的神经网络。

2.2 预测

训练好后将需要预测的图像输入，会得到一个333*8的输出。也就是每个grid中的2个anchor box都会有对应的输出。

通过设定的阈值来去除一部分Pc概率很低的包围盒，此时用的是每个包围盒自身的置信度Pc，或者说IOU预测值。

对剩余的预测框再按类别进行非极大抑制，注意此时用的不再是预测框的置信度，而是

用包围盒 j 的置信度乘以该包围盒中所有类别 i 的概率，按分类 i 进行根据score进行非极大抑制。

本人新兵，如有错误，欢迎指正！

参考：https://segmentfault.com/a/1190000016692873