Module 03 · Object Detection
Anchor Boxes锚框
在目标检测任务中，每个网格单元只能检测一个物体。那么，如果一个网格单元想要检测多个物体怎么办呢？答案就是 锚框（Anchor Boxes）。通过锚框的使用，可以解决一个网格单元检测多个物体的问题。
锚框的基本概念
锚框的核心思想是预先定义多个 不同形状的框，每个框称为 锚框。通过这种方式，一个网格单元可以关联多个 检测结果，而不仅限于单一物体。
示例：锚框的使用
假设我们有如下的图像，并且使用一个 3x3 网格 来进行目标检测。
- 在这个示例中，图中的 行人 和 汽车 的中心点几乎相同，都落在同一个网格单元内。
- 如果 Y 输出一个包含 行人、汽车和摩托车 的向量，它只能输出一个检测结果。因此，必须选择其中一个物体来输出。
锚框的应用
为了解决这个问题，我们可以使用 锚框：
- 定义锚框： 预先定义 两个不同形状的锚框（Anchor Boxes）。这样，我们可以将两个预测结果与这两个锚框相关联。
- 使用锚框来进行编码： 针对每个物体，选择与其形状最相似的锚框，并通过锚框来进行物体检测。
- 行人： 由于行人的形状更接近 锚框 1，所以我们使用 锚框 1 来编码行人信息。
- 汽车： 由于汽车的形状更接近 锚框 2，因此使用 锚框 2 来编码汽车信息。
通过这种方式，一个网格单元就可以同时检测多个物体，而不再局限于只能检测一个物体。
目标检测中的编码方式
- 无锚框的情况：
- 在没有锚框之前，图像中的每个物体会被分配到一个对应物体中心的网格单元。
- 对于 3x3 网格，输出 Y 的维度为 3x3x8，每个网格单元的输出包含：
- PC（物体存在概率）
- 边界框信息
- 类别信息（C1, C2, C3）
- 使用锚框后的情况：
- 每个物体仍然被分配到包含物体中心的网格单元，但现在会根据物体的形状与锚框的重叠程度（IoU）来分配给最合适的锚框。
- 输出 Y 的维度变为 3x3x16，每个网格单元现在会输出两个锚框的预测结果，每个锚框对应一个 8维输出，包括 PC、边界框、类别信息。
示例：网格单元中的目标标签
假设我们要处理以下网格单元：
行人的检测
- 行人的形状更接近 锚框 1，因此，输出标签会分配给 锚框 1。
- 标签 Y 为：PC=1（行人存在），接下来是 行人的边界框信息 和 类别标签 C1=1，其他类别为 0（因为是行人）。
汽车的检测
- 汽车的形状更接近 锚框 2，因此，输出标签会分配给 锚框 2。
- 标签 Y 为：PC=1（汽车存在），接下来是 汽车的边界框信息 和 类别标签 C2=1，其他类别为 0（因为是汽车）。
仅有汽车的情况
- 如果该网格单元只包含 汽车，则标签 Y 依然会分配给 锚框 2，并且 PC=1。
- 对于 锚框 1，因为没有物体，PC=0，其余部分为“不关心”（don’t care）。
处理多个物体的情况
- 两个物体共享同一个网格单元：
- 如果一个网格单元中有 多个物体（例如，3个物体），该算法可能无法很好地处理这种情况。
- 目前，算法对于这种情况的处理并不完美，通常会依赖一些默认的 决策规则 来解决冲突。
- 两个物体的锚框相同：
- 如果两个物体的形状与同一个锚框相似，且重叠度较高，算法也会面临选择问题。这时也会采用 默认的 tiebreaker（决策规则）。
虽然这种情况不会非常频繁发生，但在设计时需要注意。
如何选择锚框？
- 传统方法： 可以手动选择 多个锚框形状，涵盖常见的物体形状，例如 高瘦的物体（如行人） 和 宽大的物体（如汽车）。
- 更先进的方法： 使用 K-means 算法 来自动选择最适合的锚框形状。通过对物体形状进行聚类，选择一组 典型的锚框形状 来优化检测效果。这种方法适用于更复杂的情况，尤其是当你需要检测大量不同形状的物体时。
总结：锚框的优势与挑战
- 优势：
- 锚框允许 网格单元 同时处理多个物体。
- 使得检测算法能够 专门化，特别是对于形状不同的物体（例如高瘦的行人和宽大的汽车），可以通过锚框让算法更好地适应不同形状的物体。
- 挑战：
- 多个物体共享同一网格单元 和 锚框形状相似的物体 仍然是算法需要进一步改进的问题。
锚框的实际应用
尽管锚框最初是为了解决多个物体出现在同一个网格单元的问题，在实际应用中，这种情况发生得并不频繁，尤其是当网格单元较大时（例如 19x19 网格）。锚框的一个更重要的优势是它能够帮助算法 更好地适应不同类型的物体，从而提升目标检测的准确性。
下一步，我们将结合 锚框 的应用，深入探讨 YOLO 算法的整体实现。🎯