kmeans 锚框

这个仓库实现了一个基于交并比（IoU）度量的 K 均值聚类算法，如 YOLO9000 论文 [1] 中描述的那样。

测试

根据论文，在 PASCAL VOC 2007 数据集上，我们应该在使用5个聚类时得到61.0的平均 IoU，在使用9个聚类时得到67.2的平均 IoU：

首先，我尝试了标准的 K 均值聚类：

图表显示，算法收敛到低于预期的值。为了解决这个问题，我修改了 K 均值算法，使其不在达到收敛时结束。当值开始下降时，算法会用不同的初始均值重新开始。通过大约50次迭代，可以达到约60的平均 IoU。

然而，这似乎还不够好，因为现在算法需要运行很长时间才能找到正确的值。于是，我尝试了不同的初始化方法和 K 均值聚类的变体。最终，通过简单地使用中位数来计算新质心，获得了最好的结果。

在 PASCAL VOC 2007 数据集上的最终结果是：对于 k=5 约为60.15，对于 k=9 约为67.13。如果你多次运行算法，平均 IoU 可能更高。例如，我有时得到了 k=5 的60.5。结果始终依赖于初始化阶段选择的起始点。

使用方法

要自己尝试结果，请在此处下载注释：http://host.robots.ox.ac.uk/pascal/VOC/voc2007/。然后在 test/test_voc2007.py 中更改常量 ANNOTATIONS_PATH，最后执行：

python3 -m unittest discover -s tests/

参考文献

[1] J. Redmon 和 A. Farhadi，“YOLO9000：更好，更快，更强”，2017年IEEE计算机视觉与模式识别会议（CVPR），2017年7月。