需要一些关于 anchor box 在 yolov3 中的重要性的明确解释
Need some clear explainations about the importance of anchor box in yolov3
我正在尝试了解 YOLOv3 的算法。我在 Coursera 上观看了 Andrew Ng 关于锚框在对象检测模型中的使用的视频，尤其是在 YOLOv3 中。但是有些地方我还是不明白：
- 如果我尝试更改人脸检测模型锚框的值，则会导致非常糟糕的结果。 class预测YOLO中anchor box的重要性是什么？
- YOLOv3 仅使用 9 个锚框，默认每个尺度 3 个。因此，如果我们必须从 80 class 个中检测一个对象，并且每个 class 个具有不同的通常形状，那么这些锚框的形状是什么样的？
我是计算机视觉和机器学习的新手，所以我的问题可能很难理解。
Anchor box的目的是检测中心位于同一单元格的多个不同大小的对象。改变锚框的数量会导致 ground truth 和预测数组的长度发生变化。
假设一个框（在一个单元格中）有以下 80 个 类 [Pc,P1,P2...P80,X1,Y1,X2,Y2] 的预测，即 85 个，然后是 9 个锚框将有 85*9 = 765 个长度的数组预测。
下面是围绕 (0,0) 绘制的不同比例的锚框示例。
我正在尝试了解 YOLOv3 的算法。我在 Coursera 上观看了 Andrew Ng 关于锚框在对象检测模型中的使用的视频，尤其是在 YOLOv3 中。但是有些地方我还是不明白：
- 如果我尝试更改人脸检测模型锚框的值，则会导致非常糟糕的结果。 class预测YOLO中anchor box的重要性是什么？
- YOLOv3 仅使用 9 个锚框，默认每个尺度 3 个。因此，如果我们必须从 80 class 个中检测一个对象，并且每个 class 个具有不同的通常形状，那么这些锚框的形状是什么样的？
我是计算机视觉和机器学习的新手，所以我的问题可能很难理解。
Anchor box的目的是检测中心位于同一单元格的多个不同大小的对象。改变锚框的数量会导致 ground truth 和预测数组的长度发生变化。
假设一个框（在一个单元格中）有以下 80 个 类 [Pc,P1,P2...P80,X1,Y1,X2,Y2] 的预测，即 85 个，然后是 9 个锚框将有 85*9 = 765 个长度的数组预测。
下面是围绕 (0,0) 绘制的不同比例的锚框示例。