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。

data = load（'vevicletrainingdata.mat'）;vevicledataset = data.vehicletRainingData;

将完整路径添加到本地车辆数据文件夹。

datadir = fullfile（toolboxdir（'想象'），'VisionData'）;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

可视化标记的框以更好地理解数据集中存在的对象大小的范围。

将所有地面真相框组合成一个阵列。

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

绘制框面积与框宽高比。

Aspectratio = Allboxes（:,3）./ Allboxes（:,4）;区域= Prod（Allboxes（:,3：4），2）;图分散（区域，aspectratio）xlabel（“盒子区”）ylabel（“宽高比（宽/高）”）;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extimateanchorboxes.函数，使用交叉口（iou）距离度量。

与箱子距离度量不同，基于IOU的距离度量是框大小，与盒子尺寸增加[1]产生更大的误差。另外，使用IOU距离度量导致相似纵横比的框，并且尺寸集聚类在一起，这导致符合数据的锚框估计。

创建一个boxlabeldatastore.在车辆数据集中使用地面真相框。如果用于训练对象检测器的预处理步骤涉及调整图像的大小，请使用转换和bboxresize.调整边界框中的大小boxlabeldatastore.在估计锚箱之前。

trainingdata = boxlabeldataStore（车辆题目（：，2：结束））;

选择锚点的数量并估计锚盒使用extimateanchorboxes.功能。

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

锚盒=5×221 27 87 116 67 92 43 61 86 105

选择锚点的数量是另一个培训超参数，需要使用实证分析仔细选择。用于判断估计的锚箱的一个质量措施是每个集群中盒子的平均值。这extimateanchorboxes.功能使用A.K.- 使用IOU距离度量来计算使用等式的重叠的聚类算法，1 -bboxoverlapratio（allboxes，boxincluster）。

意思是

Meaniou = 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。

扫过一系列值并绘制平均iOU与锚箱数量，以测量锚点数量和平均值的权衡。

Maxnumanchors = 15;Meaniou = Zeros（[Maxnumanchors，1]）;锚盒=细胞（Maxnumanchors，1）;为了K = 1：Maxnumanchors％估计锚和平均值。[anchorboxes {k}，meaniou（k）] = viettaeanchorboxes（trainingdata，k）;结尾图绘图（1：Maxnumanchors，Meaniou，'-o'）ylabel（“意思是iou”）xlabel（“锚点数”） 标题（“锚点与平均iou”）

使用两个锚箱导致平均值大于0.65，并且使用超过7个锚箱产生的平均IOU值的边际改善。鉴于这些结果，下一步是使用2和6之间的值训练和评估多个对象探测器。该经验分析有助于确定满足应用程序性能要求的锚盒的数量，例如检测速度或准确性。