负荷训练数据

加载车辆数据集，其中包含295张图片和相关的盒子标签。

data =负载(“vehicleTrainingData.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”）;vehicleDataset。imageFilename = fullfile (dataDir vehicleDataset.imageFilename);

显示数据集摘要。

总结(vehicleDataset)

变量:imageFilename: 295×1 cell数组的字符向量车辆:295×1 cell

可视化地面真理盒分布

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 (vehicleDataset.vehicle {:});

绘制盒子面积和盒子长宽比。

aspectRatio = allBoxes(:，3) ./ allBoxes(:，4);面积= prod (allBoxes (:, 3:4), 2);图散射(区域,aspectRatio)包含(“箱区”) ylabel (”“纵横比(宽/高)）;标题(“盒子面积与纵横比”）

图中显示了几组大小和形状相似的对象，然而，由于这些组是分散的，手动选择锚盒是困难的。估计锚框的更好方法是使用聚类算法，该算法可以使用有意义的指标将类似的框分组在一起。

估计锚箱

估计锚盒从训练数据使用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使用车辆数据集中的地面真值箱。如果训练目标检测器的预处理步骤涉及调整图像的大小，请使用变换和bboxresize控件中的边框大小boxLabelDatastore在估计锚盒之前。

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

选择锚的数量和估计锚盒使用estimateAnchorBoxes函数。

numAnchors =5；[anchorBoxes, meanIoU] = estimateAnchorBoxes (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

IoU的平均值大于0.5保证了锚框与训练数据中的框很好地重叠。增加锚的数量可以改善平均欠条的措施。然而，在目标检测器中使用更多锚盒也会增加计算成本，导致过拟合，导致检测器性能较差。

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 = 0 ([maxNumAnchors, 1]);主播= cell(maxNumAnchors, 1);为k = 1: maxNumAnchors估计锚和平均欠条。[anchorBoxes {k}, meanIoU (k)] = estimateAnchorBoxes (trainingData k);结束图的阴谋(1:maxNumAnchors meanIoU,“o”) ylabel (“意思是借据”)包含(“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。