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。

数据=负载('vevicletrainingdata.mat'); vehicleDataset=数据。vehicleTrainingData；

将完整路径添加到本地车辆数据文件夹。

datadir = fullfile（toolboxdir（“愿景”），“视觉数据”）;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

可视化标记的框，以便更好地了解数据集中存在的对象大小范围。

将所有地面真相盒合并为一个阵列。

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

绘制长方体面积与长方体纵横比。

Aspectratio = Allboxes（:,3）./ Allboxes（:,4）;区域= Prod（Allboxes（:,3：4），2）;图分散（区域，aspectratio）xlabel（“盒子区域”）ylabel（“纵横比（宽度/高度）”）;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，从训练数据使用估计锚箱函数，该函数使用联合上的交点（IoU）距离度量。

与欧几里德距离度量不同，基于IoU的距离度量对长方体大小是不变的，欧几里德距离度量随着长方体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长宽比和大小的框聚集在一起，从而产生适合数据的锚定框估计。

创建一个Boxlabeldata商店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，请使用转变和bboxresize.调整边界框中的大小Boxlabeldata商店在估算锚箱之前。

trainingData=boxLabelDatastore（车辆数据集（：，2:end））；

选择锚的数量和估计锚盒使用估计锚箱功能。

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

锚箱=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，需要使用实证分析进行仔细选择。判断估计锚箱的一个质量指标是每个集群中锚箱的平均IoU估计锚箱函数使用K-使用IoU距离度量的均值聚类算法，使用公式计算重叠，1 -bboxOverlapRatio（所有盒子，包括盒子）.

卑鄙

平均IOU=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。

扫描一系列值并绘制平均IoU与锚框数量的关系图，以测量锚数量与平均IoU之间的权衡。

Maxnumanchors = 15;Meaniou = Zeros（[Maxnumanchors，1]）;锚盒=细胞（Maxnumanchors，1）;对于k=1:maxNumAnchors％估计锚和平均值。[anchorBoxes{k}，meanIoU（k）]=估计的anchorBoxes（训练数据，k）；结束图绘图（1：Maxnumanchors，Meaniou，“-o”）ylabel（“平均借据”）xlabel（“锚的数量”） 标题（“锚数量与平均IoU”)

使用两个锚箱会导致平均IoU值大于0.65，而使用7个以上锚箱只会使平均IoU值略有改善。鉴于这些结果，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。此实证分析有助于确定满足应用程序性能要求（如检测速度或精度）所需的锚箱数量。