check_anchors()內metric()函數 def check_anchors(dataset, model, thr=4.0, imgsz=640):"""在train.py中調用，計算BPR確定是否需要改變anchors 需要就調用K-means重新計算anchorsargs: dataset -> 自定義數據集LoadImagesAndLabels返回的數據集model -> 初始化的模型thr -> 超參數，界定anchor與label匹配程度的閾值，anchor與標簽框的比例范圍為(1/thr, thr)，在此范圍內算是滿足要求imgsz -> 輸入圖片尺寸，默認640"""# Check anchor fit to data, recompute if necessary# 打印字符串：autoanchor:Analyzing anchors...prefix = colorstr('autoanchor: ')print(f'\n{prefix}Analyzing anchors... ', end='')# 取出模型最后一層，即Detect層m = model.module.model[-1] if hasattr(model, 'module') else model.model[-1] # Detect()# dataset.shapes.max(1, keepdims=True) = 每張圖片的較長邊# shapes: 將數據集圖片的最長邊縮放到img_size, 較小邊相應縮放，得到新的所有數據集圖片shapes = imgsz * dataset.shapes / dataset.shapes.max(1, keepdims=True)# 產生隨機數scale [2501, 1]scale = np.random.uniform(0.9, 1.1, size=(shapes.shape[0], 1)) # augment scale# 將GT的歸一化坐標縮放為基于圖片大小為shapes * scale的坐標wh = torch.tensor(np.concatenate([l[:, 3:5] * s for s, l in zip(shapes * scale, dataset.labels)])).float() # whdef metric(k): # compute metric"""根據wh計算anchor是否滿足要求，即anchor與標簽框的比值要在(1/thr, thr)args：k -> 一般傳入的是anchors的寬高 [M, 2]，也可傳入GT的寬高wh: [N, 2]，M為anchor的數量，作者M取9，N為GT的數量return：bpr -> best possible recall 最多能被召回(通過thr)的gt框數量/所有gt框數量，小于0.98 才會用k-means計算anchoraat -> anchors above threshold 每個target平均有多少個anchors"""r = wh[:, None] / k[None]# x：高寬比和寬高比的最小值，無論r大于1，還是小于等于1，最后統一結果都要小于1 [N, M]x = torch.min(r, 1. / r).min(2)[0] # ratio metricbest = x.max(1)[0] # best_xaat = (x > 1. / thr).float().sum(1).mean() # anchors above thresholdbpr = (best > 1. / thr).float().mean() # best possible recallreturn bpr, aat

None用以添加維度，所有GT的wh[:, None]，[N, 2]->[N, 1, 2]，所有anchor的wh k[None] [M, 2]->[1, M, 2]

r: GT的寬高與anchor的寬高的比值，即h/h_a, w/w_a，r.shape=(N, M, 2)，r中元素有可能大于1，也可能小于等于1

為什么要添加維度：原來的維度是[N, 2]、[M, 2]，無法相除，因為不滿足廣播機制，但是增加維度后就可以滿足了廣播原則的條件

總結

以上是生活随笔為你收集整理的YOLOv5中autoanchor.py的def metric(k)的r = wh[:, None] / k[None]的理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。