kmeans.py yolov3计算anchors

找了好久找到的，求出的kmeans相对效果会好一些 - 作用：根据darknet训练txt的存储文件夹，经过多次计算求anchors,最后取2次avg_iou相等时的结果 - 需要修改：txt储存的文件夹、生成anchors.txt路径、anchors数量、训练宽度、训练高度 - 运行：python kmeans.py

# -*- coding: utf-8 -*-
import numpy as np
import random
import argparse
import os
#参数名称
parser = argparse.ArgumentParser（description=‘使用该脚本生成YOLO-V3的anchor boxes\n‘）
parser.add_argument（‘--input_annotation_txt_dir‘default=‘labels‘type=strhelp=‘输入存储图片的标注txt文件（注意不要有中文）‘）
parser.add_argument（‘--output_anchors_txt‘default=‘anchors.txt‘type=strhelp=‘输出的存储Anchor boxes的文本文件‘）
parser.add_argument（‘--input_num_anchors‘default=6type=inthelp=‘输入要计算的聚类（Anchor boxes的个数）‘）
parser.add_argument（‘--input_cfg_width‘default=224type=inthelp=“配置文件中width“）
parser.add_argument（‘--input_cfg_height‘default=224type=inthelp=“配置文件中height“）
args = parser.parse_args（）
‘‘‘
centroids 聚类点 尺寸是 numx2类型是ndarray
annotation_array 其中之一的标注框
‘‘‘
def IOU（annotation_arraycentroids）:
    #
    similarities = []
    #其中一个标注框
    wh = annotation_array
    for centroid in centroids:
        c_wc_h = centroid
        if c_w >=w and c_h >= h:#第1中情况
            similarity = w*h/（c_w*c_h）
        elif c_w >= w and c_h <= h:#第2中情况
            similarity = w*c_h/（w*h + （c_w - w）*c_h）
        elif c_w <= w and c_h >= h:#第3种情况
            similarity = c_w*h/（w*h +（c_h - h）*c_w）
        else:#第3种情况
            similarity = （c_w*c_h）/（w*h）
        similarities.append（similarity）
    #将列表转换为ndarray
    return np.array（similaritiesnp.float32） #返回的是一维数组，尺寸为（num）
 
‘‘‘
k_means:k均值聚类
annotations_array 所有的标注框的宽高，N个标注框，尺寸是Nx2类型是ndarray
centroids 聚类点 尺寸是 numx2类型是ndarray
‘‘‘
def k_means（annotations_arraycentroidseps=0.00005iterations=200000）:
    #
    N = annotations_array.shape[0]#C=2
    num = centroids.shape[0]
    #损失函数
    distance_sum_pre = -1
    assignments_pre = -1*np.ones（Ndtype=np.int64）
    #
    iteration = 0
    #循环处理
    while（True）:
        #
        iteration += 1
        #
        distances = []
        #循环计算每一个标注框与所有的聚类点的距离（IOU）
        for i in range（N）:
            distance = 1 - IOU（annotations_array[i]centroids）
            distances.append（distance）
        #列表转换成ndarray
        distances_array = np.array（distancesnp.float32）#该ndarray的尺寸为 Nxnum
        #找出每一个标注框到当前聚类点最近的点
        assignments = np.argmin（distances_arrayaxis=1）#计算每一行的最小值的位置索引
        #计算距离的总和，相当于k均值聚类的损失函数
        distances_sum = np.sum（distances_array）
        #计算新的聚类点
        centr