负载培训数据

加载车辆数据集，其中包含295个图像和关联的框标签。

data =负载('vevicletrainingdata.mat'）;vehicleDataset = data.vehicleTrainingData;

将完整路径添加到本地车辆数据文件夹中。

datadir = fullfile（toolboxdir（“愿景”），“visiondata”）;vevicledataset.imagefilename = fullfile（datadir，vevicledataset.imagefilename）;

显示数据集摘要。

摘要（车辆题目）

变量：imagefilename：295×1个字符向量阵列车辆：295×1个细胞

可视化地面真相盒分布

可视化标记框，以便更好地理解数据集中显示的对象大小范围。

将所有的地面真值框合并到一个数组中。

Allboxes = VertCAT（车辆ledledataset.vehicle {：}）;

绘制盒子面积和盒子长宽比。

Aspectratio = Allboxes（:,3）./ Allboxes（:,4）;区域= Prod（Allboxes（:,3：4），2）;图分散（区域，aspectratio）xlabel（“箱区”）ylabel（”“纵横比(宽/高)）;标题（“框面积与纵横比”）

该图显示了几组具有相似尺寸和形状的物体，因为该组被展开，手动选择锚箱是困难的。估算锚框的更好方法是使用群集算法，可以使用有意义的指标将类似的框分组。

估算锚箱

估算锚箱，从训练数据使用estimateAnchorBoxes函数，该函数使用IoU距离度量。

基于IoU的距离度量不受盒子大小的影响，不像欧几里得距离度量，当盒子大小增加[1]时，欧几里得距离度量会产生更大的误差。此外，使用IoU距离度量可以将长宽比和大小相似的框聚在一起，从而得到适合数据的锚框估计值。

创建一个boxLabelDatastore在车辆数据集中使用地面真相框。如果用于训练对象检测器的预处理步骤涉及调整图像的大小，请使用转变和bboxresize.调整边界框中的大小boxLabelDatastore在估计锚盒之前。

trainingData = boxLabelDatastore (vehicleDataset(:, 2:结束));

选择锚点的数量并估计锚盒使用estimateAnchorBoxes函数。

Numanchors =.5；[anchorboxes，meaniou] = extimateanchorboxes（TrainingData，Numanchors）;anchorBoxes

anchorBoxes =5×221 27 87 116 67 92 43 61 86 105

选择锚的数量是另一个训练超参数，需要使用经验分析仔细选择。判断估计锚盒的一个质量度量是每个聚类中锚盒的平均IoU。的estimateAnchorBoxes函数使用一个k-表示使用IoU距离度量来计算重叠的聚类算法，1 -bboxoverlapratio(allBoxes boxInCluster)．

meanIoU

meanIoU = 0.8411

大于0.5的平均值可确保锚盒在训练数据中的框中重叠。增加锚点的数量可以改善平均iou测量。然而，在物体检测器中使用更多锚盒也可以增加计算成本并导致过度拟合，这导致差的检测器性能差。

浏览一系列值并绘制平均IoU与锚框数量的对比图，以衡量锚框数量与平均IoU之间的权衡。

Maxnumanchors = 15;Meaniou = Zeros（[Maxnumanchors，1]）;锚盒=细胞（Maxnumanchors，1）;为k = 1: maxNumAnchors％估计锚和平均值。[anchorBoxes {k}, meanIoU (k)] = estimateAnchorBoxes (trainingData k);结束图绘图（1：Maxnumanchors，Meaniou，“o”）ylabel（“意思是借据”）xlabel（“锚”） 标题（“锚点数目与平均欠条数目”）

使用两个锚箱会导致平均IoU值大于0.65，而使用超过7个锚箱只会对平均IoU值产生边际改善。考虑到这些结果，下一步是使用2到6之间的值来训练和评估多个目标探测器。这种经验分析有助于确定满足应用程序性能需求(如检测速度或准确性)所需的锚盒数量。