使用 K 均值聚类生成锚框，YOLO
Generating anchor boxes using K-means clustering , YOLO
我想了解 YOLO 的工作原理以及它如何检测图像中的对象。我的问题是，k-means 聚类在检测对象周围的边界框方面起什么作用？谢谢。
K-均值聚类算法是数据科学中非常著名的算法。该算法旨在将 n 观察划分为 k 个集群。主要包括：
- 初始化：
K表示（即质心）是随机生成的。
分配：通过将每个观测值与最近的质心相关联来形成聚类。
更新集群：新创建的集群的质心变得平均。
Assignment 和Update 重复发生直到收敛。
最终结果是点和各自质心之间的误差平方和最小。
编辑：
Why use K means
- K-means 与其他无监督学习算法相比，计算速度更快、效率更高。不要忘记时间复杂度是线性的。
- 它产生比层次聚类更高的聚类。更多的集群有助于获得更准确的最终结果。
- 当质心为 re-computed.
时，实例可以更改集群（移动到另一个集群）
- 即使您的某些假设被打破，也能正常工作。
what it really does in determining anchor box
- 它将为每个表示形状、位置、大小等的预测变量创建数千个锚框（即 k-means 中的簇）
- 对于每个锚框，计算哪个对象的边界框具有最高的重叠除以 non-overlap。这称为 Intersection Over Union 或 IOU。
- 如果最高IOU大于50%（可以自定义），告诉anchor box它应该检测它拥有最高IOU的对象。
- 否则，如果 IOU 大于 40%，则告诉神经网络真实检测是模糊的，不要从该示例中学习。
- 如果最高IOU小于40%，那么应该预测没有对象
谢谢！
通常，对象的边界框由以下形式的元组给出
(x0,y0,x1,y1) 其中x0,y0为左下角坐标，x1,y1为右上角坐标。
需要从这些坐标中提取宽度和高度，并根据图像宽度和高度对数据进行归一化。
K 均值指标
- 欧氏距离
- IoU（杰卡德指数）
IoU 结果比以前更好
杰卡德指数=（选中框与簇头框的交集）/（选中框与簇头框的并集）
在初始化时，我们可以选择 k 个随机框作为我们的簇头。根据IoU值>阈值将anchor boxes分配给各个簇，并计算簇的平均IoU。
这个过程可以重复直到收敛。
我想了解 YOLO 的工作原理以及它如何检测图像中的对象。我的问题是，k-means 聚类在检测对象周围的边界框方面起什么作用？谢谢。
K-均值聚类算法是数据科学中非常著名的算法。该算法旨在将 n 观察划分为 k 个集群。主要包括：
- 初始化：
K表示（即质心）是随机生成的。 分配：通过将每个观测值与最近的质心相关联来形成聚类。
更新集群：新创建的集群的质心变得平均。
Assignment 和Update 重复发生直到收敛。 最终结果是点和各自质心之间的误差平方和最小。
编辑：
Why use K means
- K-means 与其他无监督学习算法相比，计算速度更快、效率更高。不要忘记时间复杂度是线性的。
- 它产生比层次聚类更高的聚类。更多的集群有助于获得更准确的最终结果。
- 当质心为 re-computed. 时，实例可以更改集群（移动到另一个集群）
- 即使您的某些假设被打破，也能正常工作。
what it really does in determining anchor box
- 它将为每个表示形状、位置、大小等的预测变量创建数千个锚框（即 k-means 中的簇）
- 对于每个锚框，计算哪个对象的边界框具有最高的重叠除以 non-overlap。这称为 Intersection Over Union 或 IOU。
- 如果最高IOU大于50%（可以自定义），告诉anchor box它应该检测它拥有最高IOU的对象。
- 否则，如果 IOU 大于 40%，则告诉神经网络真实检测是模糊的，不要从该示例中学习。
- 如果最高IOU小于40%，那么应该预测没有对象
谢谢！
通常，对象的边界框由以下形式的元组给出 (x0,y0,x1,y1) 其中x0,y0为左下角坐标，x1,y1为右上角坐标。
需要从这些坐标中提取宽度和高度，并根据图像宽度和高度对数据进行归一化。
K 均值指标
- 欧氏距离
- IoU（杰卡德指数）
IoU 结果比以前更好
杰卡德指数=（选中框与簇头框的交集）/（选中框与簇头框的并集）
在初始化时，我们可以选择 k 个随机框作为我们的簇头。根据IoU值>阈值将anchor boxes分配给各个簇，并计算簇的平均IoU。
这个过程可以重复直到收敛。