负荷训练数据

加载车辆数据集，其中包含295张图像和相关的框标签。

数据=负载(“vehicleTrainingData.mat”）;vehicleDataset = data.vehicleTrainingData;

将完整路径添加到本地车辆数据文件夹。

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字符向量数组vehicle: 295×1 cell

可视化地面真理盒分布

可视化标记的框，以更好地理解数据集中对象大小的范围。

将所有ground truth方框合并到一个数组中。

allBoxes = vertcat(vehicleDataset.vehicle{:});

绘制框面积与框宽高比。

aspectRatio = allBoxes(:，3) ./ allBoxes(:，4);area = prod(allBoxes(:，3:4)，2);图散射(面积，aspectRatio) xlabel(“箱区”) ylabel (纵横比(宽/高)）;标题(“方框面积与纵横比”）

该图显示了几组大小和形状相似的物体，但是，由于这些组是分散的，手动选择锚框是困难的。估计锚盒的更好方法是使用聚类算法，该算法可以使用有意义的度量将相似的盒子分组在一起。

估算锚箱

估计锚盒从训练数据使用estimateAnchorBoxes函数，它使用交叉-联合(IoU)距离度量。

基于IoU的距离度量不受盒子大小的影响，这与欧几里得距离度量不同，后者会随着盒子大小的增加而产生更大的误差[1]。此外，使用IoU距离度量将导致具有相似宽高比和大小的盒子聚集在一起，从而产生适合数据的锚盒估计。

创建一个boxLabelDatastore使用车辆数据集中的地面真值框。如果训练对象检测器的预处理步骤涉及调整图像的大小，请使用变换而且bboxresize控件中的包围框大小boxLabelDatastore在估算锚盒之前。

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

选择锚的数量，并估计使用的锚盒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，需要使用实证分析仔细选择。判断估计锚盒的质量指标之一是每个集群中盒子的平均IoU。的estimateAnchorBoxes函数使用k-means聚类算法与IoU距离度量，用公式计算重叠，1 -bboxOverlapRatio(allBoxes boxInCluster)．

meanIoU

meanIoU = 0.8411

平均IoU值大于0.5，可以保证锚框与训练数据中的框有很好的重叠。增加主播的数量可以改善平均欠条测量。然而，在目标检测器中使用更多的锚盒也会增加计算成本并导致过拟合，从而导致探测器性能较差。

扫描一个范围的值，并绘制平均IoU与锚箱数量的关系，以衡量锚箱数量与平均IoU之间的权衡。

maxNumAnchors = 15;meanIoU = 0 ([maxNumAnchors,1]);anchorBoxes = cell(maxNumAnchors, 1);为k = 1:maxNumAnchors估计锚点和平均欠条。[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(“锚数”)标题(“主播数量vs平均欠条”）

使用2个锚箱时，平均欠条值大于0.65，使用7个以上锚箱时，平均欠条值仅略有改善。根据这些结果，下一步是使用2到6之间的值来训练和评估多个对象检测器。这种实证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。