目标检测之锚点与锚框

导读：目标检测模型使用锚框去预测物体的位置框，它对于目标检测任务具有关键意义。理解并仔细地微调模型的锚框是对于提升检测性能非常重要，特别是数据集具有不规则的物体时。

锚框与目标检测任务

目标检测，不同于图像分类任务。通常一副图片中具有多个相同或者不同类别的物体，目标检测任务，需要准确地确认并定位到所有物品。

此图展示了一个目标被检测到的结果，既需要给出object class的置信度，又需要给出位置框的坐标（x1,x2,y1,y1,此处用了四个数去描述位置框）。目标检测模型处理此任务通过将预测分为两部分来解决：通过回归预测边界框；通过分类来预测类标签。

什么是锚框？

为了预测和定位一幅图片中多个目标，多数领先的检测模型如EfficientDet和YOLO都以锚框作为先验，然后开始调整。一般来说，使用边界框按照以下顺序：

• 在图像中形成数千个候选锚框；
• 对于每个锚框，预测该框的一些量，并作为候选框；
• 基于真实标注的边界框，计算损失函数；
• 计算给定偏移框与真实对象重叠的概率；
• 如果该概率大于0.5，将该预测纳入损失函数；
• 通过逐渐奖励与惩罚预测框，推动模型走向预测正确的方向。

如果你只是轻微训练模型，将会看到预测框出现在各处。如下图所示：

如果你在自己的数据集上训练YOLO，可能需要自定义设置这些锚框。但YOLOv5能够基于训练集自动学习锚框分布，每次训练时，自适应的计算不同训练集中的最佳锚框值。
当然，如果觉得计算的锚框效果不是很好，也可以在代码中将自动计算锚框功能关闭。
在代码中描述为：

parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')

关闭自动计算锚框功能，即train.py中这一行代码，设置成False，每次训练时，不会自动计算。