1. 项目概述为什么YOLO需要自己动手聚类Anchors在目标检测领域YOLO系列算法以其“You Only Look Once”的单阶段检测速度和精度平衡而闻名。无论是做学术研究还是工业落地从YOLOv3到最新的YOLOv8、YOLOv10训练自己的数据集几乎是必经之路。很多新手甚至一些有经验的朋友在拿到一份标注好的数据后往往会直接套用COCO或VOC数据集的默认Anchor先验框尺寸进行训练。结果呢模型收敛慢精度上不去还总以为是数据量不够或者网络结构有问题。其实一个被严重低估的环节就是——为你的专属数据集定制Anchors。Anchor是什么你可以把它想象成钓鱼时预先撒下的“窝子”。在YOLO检测头预测边界框时它并不是凭空生成一个框而是基于这些预设的Anchor框去预测一个偏移量Δx, Δy, Δw, Δh。如果预设的Anchor尺寸和你的目标物体尺寸分布高度匹配那么网络学习这个偏移量就会更容易、更准确。反之如果Anchor尺寸和你的目标尺寸相差甚远比如用检测行人的Anchor去检测无人机或者用检测车辆的Anchor去检测细胞网络就需要学习一个非常大的偏移这无疑增加了学习难度导致训练不稳定、收敛速度慢最终影响检测精度。官方提供的Anchor是基于MS COCO这种大型通用数据集聚类得到的它涵盖了从人到风筝、汽车到餐具等80类物体尺寸分布非常广。但你的数据集呢可能是监控场景下的行人和车辆尺寸相对固定且集中可能是显微图像下的细胞目标小而密集也可能是遥感图像中的舰船目标呈细长条形。直接套用通用Anchor无异于让一个习惯用标准渔网捕鱼的渔民突然去用同一张网捕虾和捕鲸效率可想而知。因此“目标检测算法YOLO Anchors聚类(Kmeans)生成”这个项目的核心价值就在于“量体裁衣”。它通过无监督的K-means聚类算法分析你数据集中所有标注框Ground Truth Bounding Boxes的宽度和高度分布自动找出最能代表这些目标尺寸的K个Anchor框。这个过程将你的数据先验知识注入到模型初始化中是提升模型性能、加速训练收敛最简单且成本极低的一步。接下来我将带你从原理到实践彻底搞懂如何为自己的数据集生成最合适的Anchors。2. 核心原理与设计思路拆解2.1 Anchor机制在YOLO中的角色再认识要理解为什么聚类有效必须先吃透Anchor在YOLO中的工作原理。以经典的YOLOv3/v4为例模型在三个不同尺度的特征图例如13x13, 26x26, 52x52上进行预测。每个尺度的每个网格Grid Cell会负责预测3个边界框每个边界框都关联一个预设的Anchor。所以YOLOv3/v4总共需要9个Anchor3个尺度 x 每个尺度3个Anchor这9个尺寸通常按从小到大排列分别分配给大、中、小特征图去检测不同尺寸的目标。网络的实际输出是对于每个预测框输出5Num_Classes个值其中4个是坐标偏移量(tx, ty, tw, th)1个是物体置信度。最终的边界框坐标是通过以下公式解码得到的bx σ(tx) cxby σ(ty) cybw pw * e^(tw)bh ph * e^(th)这里(cx, cy)是当前网格的左上角坐标(pw, ph)就是分配给当前预测层的Anchor的宽度和高度。关键点在于tw和th网络学习的是缩放因子。如果Anchor的(pw, ph)与真实目标的宽高很接近那么需要学习的tw和th就会接近于0因为e^01这使得梯度更新更加稳定模型更容易优化。如果Anchor尺寸不合适tw和th可能是一个很大的值导致梯度爆炸或难以收敛。因此聚类的目标非常明确找到一组Anchor尺寸使得所有真实标注框与距离其最近的Anchor之间的“差异”最小。这个“差异”如何度量就是K-means聚类的核心。2.2 K-means聚类算法的适应性改造标准的K-means聚类用于二维数据宽高看似直接但存在一个陷阱我们关心的不是Anchor中心点与框中心点的距离而是两个框形状的相似度。一个很大的框和一个很小的框即便中心点重合也完全不匹配。因此YOLO原作者Joseph Redmon在提出这个方法时使用了一个自定义的距离度量——1 - IoU(Anchor, GT)。IoU交并比是衡量两个矩形重叠程度的指标完美匹配时IoU1距离为0完全不匹配时IoU0距离为1。这个度量方式直接反映了我们最终评估模型时关心的指标IoU使得聚类出的Anchor在形状上与真实框最相似。聚类流程设计如下数据准备遍历数据集所有标注文件如YOLO格式的.txt文件提取每个标注框的宽度(w)和高度(h)。这里注意需要的是绝对像素值还是相对于图像尺寸的归一化值为了Anchor的通用性通常使用归一化后的宽高即w_img w_abs / image_width, h_img h_abs / image_height。这样生成的Anchor也是归一化的可以适用于不同分辨率的输入图像。初始化随机选择K个真实框作为初始的K个聚类中心即K个Anchor的候选尺寸。分配阶段对于数据集中每一个真实框计算它与K个聚类中心的距离1 - IoU并将其分配给距离最近的那个聚类中心。更新阶段对于每一个聚类将所有分配给它的真实框的宽和高分别求平均得到新的聚类中心新的Anchor尺寸。迭代重复步骤3和4直到聚类中心不再变化或者达到预设的迭代次数。输出得到K个最终的Anchor尺寸宽高通常按面积从小到大排序以便分配给不同的检测层。这个设计巧妙地将目标检测的评估指标融入到了预处理阶段确保了生成的Anchor在形状先验上是最优的。2.3 关键参数选择与考量在实施聚类前有几个关键参数需要决策K值Anchor数量如何确定这直接关联YOLO的检测头设计。对于YOLOv3/v4K93个尺度每尺度3个Anchor。对于YOLOv5/v7/v8官方默认也是9个。YOLOv5的设计略有不同但Anchor的基本思想一致。选择K值的原则是覆盖数据集中目标尺寸的多样性。如果你的目标尺寸分布非常集中比如都是人脸可能不需要9个那么多如果尺寸差异极大比如同时有巨大的轮船和微小的浮标9个可能都嫌少。通常遵循模型本身的设计9个是稳妥的起点。输入图像尺寸Anchor是归一化的但聚类时使用的真实框尺寸依赖于原始图像尺寸。务必确保你提取真实框尺寸时与模型训练时输入的图像尺寸保持一致或成比例。例如你计划用640x640训练那么最好将原始标注框根据原始图像尺寸归一化到0-1之间聚类出的Anchor就是基于这个归一化空间的。YOLO训练前通常会有一个预处理将图像统一缩放到训练尺寸标注框也随之缩放。距离度量坚持使用1 - IoU。这是本项目的灵魂不要使用欧氏距离。欧氏距离会平等对待宽和高的偏差但一个200x10的细长框和一个10x200的细长框欧氏距离很大而IoU可能为0完全不重叠这不符合我们的直觉。1-IoU能更好地捕捉形状相似性。聚类次数与随机种子K-means对初始值敏感。为了得到稳定、可靠的结果一个实用的技巧是运行多次聚类比如10次或100次选择平均IoU所有真实框与其最近Anchor的IoU的均值最高的那组Anchor。平均IoU越高说明这组Anchor与你的数据整体匹配度越好。3. 完整实操流程与代码实现理论清晰后我们进入实战环节。我将提供一个基于Python的、从数据准备到Anchor生成的完整脚本并附上详细的步骤解析和操作注释。3.1 环境准备与数据解析首先确保你的环境有基本的科学计算库。我们主要依赖numpy进行数值计算。pip install numpy假设你的数据集是YOLO格式目录结构如下your_dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/每个.txt标注文件与图像同名每行格式为class_id x_center y_center width height均为归一化后的值。下面是数据解析和聚类的完整代码我将它保存为kmeans_anchor.pyimport numpy as np import random import os from tqdm import tqdm # 用于显示进度条可选安装pip install tqdm def load_dataset(annotation_paths): 加载所有标注框的尺寸宽和高。 参数: annotation_paths: 标注文件路径列表或者一个包含所有标注文件路径的文件夹。 返回: data: 一个Nx2的numpy数组每一行是[width, height]归一化值。 data [] if isinstance(annotation_paths, str): # 如果传入的是文件夹路径 if os.path.isdir(annotation_paths): annotation_paths [os.path.join(annotation_paths, f) for f in os.listdir(annotation_paths) if f.endswith(.txt)] else: # 如果传入的是单个文件路径列表形式 annotation_paths [annotation_paths] for label_file in tqdm(annotation_paths, descLoading annotations): with open(label_file, r) as f: lines f.readlines() for line in lines: parts line.strip().split() if len(parts) 5: # 确保至少有类别和四个坐标值 # YOLO格式: class_id x_center y_center width height _, _, _, w, h map(float, parts[:5]) # 只关心宽和高且确保是有效的正数 if w 0 and h 0: data.append([w, h]) return np.array(data) def iou(box, clusters): 计算一个标注框与所有聚类中心Anchor的IoU。 参数: box: 单个标注框的宽高 [w, h]。 clusters: K个聚类中心的宽高数组形状为(K, 2)。 返回: iou值数组形状为(K,)。 # IoU 交集面积 / 并集面积 # 两个矩形以中心点对齐为前提的交集面积 min(w1, w2) * min(h1, h2) # 并集面积 w1*h1 w2*h2 - 交集面积 inter np.minimum(box[0], clusters[:, 0]) * np.minimum(box[1], clusters[:, 1]) union box[0] * box[1] clusters[:, 0] * clusters[:, 1] - inter return inter / (union 1e-16) # 加一个极小值防止除零 def kmeans_anchors(data, k, dist_funciou, seed42, max_iters100, tol1e-4): 使用K-means算法聚类生成Anchors。 参数: data: 标注框数据形状为(N, 2)。 k: 需要的Anchor数量。 dist_func: 距离函数默认使用IoU。 seed: 随机种子用于复现结果。 max_iters: 最大迭代次数。 tol: 中心点变化容忍度小于此值则停止迭代。 返回: best_anchors: 找到的最佳Anchor数组形状为(k, 2)。 avg_iou: 对应的平均IoU。 np.random.seed(seed) random.seed(seed) num_samples data.shape[0] # 1. 初始化随机选择k个真实框作为初始中心 indices np.random.choice(num_samples, k, replaceFalse) centers data[indices].copy() # 记录上一次的中心用于判断收敛 last_centers centers.copy() # 为每个数据点分配聚类标签 labels np.zeros(num_samples, dtypeint) for iteration in range(max_iters): # 2. 分配阶段将每个框分配给IoU最大的中心 for i in range(num_samples): distances 1 - dist_func(data[i], centers) # 使用 1 - IoU 作为距离 labels[i] np.argmin(distances) # 3. 更新阶段计算每个聚类的新中心均值 for j in range(k): cluster_points data[labels j] if len(cluster_points) 0: centers[j] cluster_points.mean(axis0) # 如果某个聚类没有点则保持原中心或重新初始化这里选择保持 # 4. 检查收敛中心点变化是否小于容忍度 center_shift np.sqrt(((centers - last_centers) ** 2).sum(axis1)).max() if center_shift tol: print(f迭代 {iteration1} 次后收敛。) break last_centers centers.copy() # 计算最终的平均IoU iou_list [] for i in range(num_samples): iou_list.append(dist_func(data[i], centers[labels[i]]).max()) # 取最大值即分配的中心的IoU avg_iou np.mean(iou_list) # 按面积宽*高对Anchor进行排序这是一个好习惯 areas centers[:, 0] * centers[:, 1] sorted_indices np.argsort(areas) sorted_centers centers[sorted_indices] return sorted_centers, avg_iou def run_multiple_times(data, k, n_runs10): 多次运行K-means选择平均IoU最高的一次结果。 参数: data: 标注框数据。 k: Anchor数量。 n_runs: 运行次数。 返回: best_anchors: 最佳Anchor。 best_avg_iou: 对应的最佳平均IoU。 best_avg_iou -1 best_anchors None for run in range(n_runs): anchors, avg_iou kmeans_anchors(data, k, seedrun) # 使用不同的种子 if avg_iou best_avg_iou: best_avg_iou avg_iou best_anchors anchors print(fRun {run1}: avg_iou {avg_iou:.4f}) print(f\n最佳平均IoU: {best_avg_iou:.4f}) return best_anchors, best_avg_iou if __name__ __main__: # 配置参数 # 你的训练集标注文件所在文件夹路径 LABEL_DIR ./your_dataset/labels/train # 需要的Anchor数量YOLOv3/v4/v5等通常是9 NUM_ANCHORS 9 # 聚类运行次数取最优结果 NUM_RUNS 20 # 模型训练时输入的图像尺寸宽高 TRAIN_IMG_SIZE (640, 640) # 执行流程 print(步骤1: 加载标注数据...) data load_dataset(LABEL_DIR) print(f共加载 {len(data)} 个有效标注框。) if len(data) NUM_ANCHORS: print(f警告标注框数量({len(data)})少于Anchor数量({NUM_ANCHORS})聚类结果可能不可靠。) print(f\n步骤2: 开始K-means聚类目标Anchor数{NUM_ANCHORS}运行{NUM_RUNS}次取最优...) best_anchors, best_avg_iou run_multiple_times(data, NUM_ANCHORS, n_runsNUM_RUNS) print(f\n步骤3: 生成最终Anchor归一化值:) for i, (w, h) in enumerate(best_anchors): print(fAnchor {i}: [{w:.6f}, {h:.6f}]) print(f\n步骤4: 转换为训练配置文件所需的格式像素值基于输入尺寸{TRAIN_IMG_SIZE}:) anchors_pixel best_anchors * np.array([TRAIN_IMG_SIZE[0], TRAIN_IMG_SIZE[1]]) # 通常配置文件需要的是整数且按不同检测层分组 # 例如YOLOv3的9个Anchor按面积排序后每3个一组分配给大、中、小目标层 anchors_pixel_int anchors_pixel.astype(int) print(像素值Anchor (宽, 高):) for i, (w, h) in enumerate(anchors_pixel_int): print(f ({w}, {h}), end, if (i1) % 3 ! 0 else \n) # 输出为YOLO配置文件常见的格式 print(\nYOLO配置文件格式例如YOLOv3.cfg或YOLOv5的*.yaml:) print(anchors:) for i in range(0, len(anchors_pixel_int), 3): layer_anchors anchors_pixel_int[i:i3] print(f - [{, .join([f[{w},{h}] for w, h in layer_anchors])}]) print(f\n最佳平均IoU: {best_avg_iou:.4f}) print(完成请将上述Anchor配置复制到你的模型配置文件中。)3.2 代码关键环节解析与操作要点数据加载 (load_dataset)核心正确解析YOLO格式的标签文件。注意我们只提取width和height并且要过滤掉无效数据宽或高为0的标注这可能是标注错误。归一化理解这里加载的w, h已经是相对于原图尺寸的归一化值0-1之间。这意味着我们聚类的Anchor也是归一化的具有尺度不变性。无论原图是1920x1080还是416x416只要标注是正确归一化的生成的Anchor就通用。操作注意务必确保你的标签文件路径正确。脚本假设LABEL_DIR文件夹下全是.txt文件。如果你的标签文件散落在不同子目录需要修改load_dataset函数来递归查找。距离度量 (iou函数)这是与标准K-means唯一不同的地方。函数计算一个真实框与所有Anchor候选框的IoU。这里隐含了一个重要假设计算IoU时我们假设两个框的中心点是重合的。因为我们只比较形状宽高不比较位置。这完全符合Anchor的定义Anchor是预设的形状网络学习的是其中心点的偏移。1e-16是一个极小值用于防止在完全没有重叠时除零是数值计算的常见技巧。聚类主循环 (kmeans_anchors)初始化随机选择K个真实框作为起点。不同的随机种子会导致不同的初始点从而可能影响最终结果这就是为什么要多次运行取最优。分配阶段对于每个真实框计算它与当前所有聚类中心的距离1-IoU并归入距离最小的那一类。np.argmin找到最小距离的索引。更新阶段对每一类计算该类中所有真实框宽和高的平均值作为新的聚类中心。求平均是标准K-means的做法它使得中心点向该类点的“质心”移动。收敛判断当所有聚类中心的位置变化用欧氏距离衡量小于一个很小的阈值tol时认为算法已收敛停止迭代。也设置了最大迭代次数max_iters防止无限循环。多次运行与最优选择 (run_multiple_times)必要性由于随机初始化的影响单次聚类可能陷入局部最优解。运行多次如10-100次选择所有真实框与最终Anchor的平均IoU最高的那组结果能显著提升找到全局较优解的概率。评估指标avg_iou平均IoU是评估Anchor质量的核心指标。这个值越高说明这组Anchor与你的数据集整体匹配度越好。一般来说对于9个Anchor平均IoU能达到0.7以上就算不错0.75以上说明匹配度很好。如果低于0.6可能需要检查数据或考虑调整K值。结果输出与转换脚本输出了两种格式的Anchor归一化值这是最本质的例如[0.0125, 0.025]。像素值将归一化值乘以你模型训练时设定的输入图像尺寸如640x640得到像(8, 16)这样的像素尺寸。这是你需要填入YOLO配置文件如.cfg或.yaml中的值。排序与分组按面积宽*高排序后小的Anchor分配给检测小目标的浅层特征图大的Anchor分配给检测大目标的深层特征图。输出时按每3个一组格式化方便你直接复制粘贴到配置文件的对应检测层如YOLOv3的[yolo]层或YOLOv5的anchors列表。3.3 集成到YOLO训练流程生成Anchor后如何应用到你的YOLO项目中对于YOLOv3/v4 (Darknet框架):打开你的模型配置文件如yolov3.cfg或yolov4-custom.cfg。找到三个[yolo]层对应三个检测尺度。在每个[yolo]层下方找到anchors行。例如anchors 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326。用你生成的像素值Anchor替换它们。注意顺序通常配置文件中的9个Anchor已经是按从小到大的顺序且每3个一组对应一个尺度。请确保你生成的Anchor在排序分组后严格按照相同的顺序替换。通常最小的3个给第一个[yolo]层最大尺度的特征图检测小目标中间3个给第二个最大的3个给第三个。对于YOLOv5/v7/v8 (PyTorch框架):打开你的数据集配置文件如data/custom.yaml。找到anchors部分在YOLOv5早期版本中需要手动设置v6.0之后版本已支持自适应Anchor计算但手动指定仍可覆盖。将生成的像素值Anchor按格式填入。YOLOv5的Anchor顺序通常是[ [small], [medium], [large] ]每个子列表包含3个[width, height]对。更推荐的做法YOLOv5/v8这些新版本在训练开始时如果检测到配置的Anchor与数据不匹配会自动运行一次Anchor聚类autoanchor功能并给出建议。你可以先用自己的Anchor初始化然后让模型再微调一下。或者直接使用官方脚本utils/autoanchor.py来分析你的数据集并生成Anchor。重要提示修改Anchor后强烈建议你从零开始训练模型或者至少不加载之前基于旧Anchor训练的模型权重尤其是检测头的权重。因为检测头的参数是与特定的Anchor尺寸强相关的。4. 常见问题、排查技巧与深度优化在实际操作中你可能会遇到各种问题。下面是我在多次实践中总结的“避坑指南”和进阶技巧。4.1 聚类结果不理想诊断与解决问题1平均IoU很低例如低于0.5。可能原因A数据标注质量差。检查你的标注数据。是否存在大量无效框宽或高为0是否存在极端尺寸的异常框比如一个框几乎和整个图片一样大这些异常值会严重干扰聚类中心。解决在load_dataset函数中增加更严格的过滤例如过滤掉w*h面积小于某个阈值如0.001或大于某个阈值如0.95的框。可视化一些标注框看看是否合理。可能原因BK值选择不当。如果你的目标尺寸只有3种主要模式却硬要聚类出9个Anchor那么必然有一些Anchor是冗余的会拉低平均IoU。解决尝试不同的K值如3, 6, 9, 12观察平均IoU的变化。绘制“K值-平均IoU”曲线选择曲线拐点处的K值即再增加K值IoU提升不明显。也可以使用“肘部法则”的变体。可能原因C数据量太少。如果只有几百个标注框聚类结果可能不稳定不能代表真实分布。解决增加数据量。如果暂时无法增加可以尝试运行更多次聚类如100次取最优并考虑使用所有数据训练验证集进行聚类以获得更稳定的分布。问题2生成的Anchor尺寸非常接近缺乏多样性。可能原因数据集中目标尺寸分布本身就很集中。例如人脸检测数据集中人脸尺寸可能都在80x80到150x150像素之间归一化后差异更小。解决这未必是坏事。如果数据确实如此那么相近的Anchor是合理的。但你可以检查是否因为图像预处理如统一缩放到固定尺寸导致尺寸分布被压缩。确保你使用的归一化宽高是基于原始图像尺寸计算的。如果确实需要检测多尺度但数据单一可以考虑使用数据增强如随机缩放、马赛克增强来模拟多尺度目标。问题3聚类出的某个Anchor尺寸为0或NaN。可能原因在K-means更新阶段某个聚类可能没有分配到任何数据点导致计算均值时出错。解决在更新中心的代码中我已经加入了判断if len(cluster_points) 0。如果某个聚类为空常见的策略是保持其中心不变或者用全局均值或随机选择一个数据点重新初始化。保持不变通常是安全的。4.2 进阶技巧与优化策略使用遗传算法Genetic Algorithm优化K-means容易陷入局部最优。更高级的方法是使用遗传算法来搜索最优的Anchor集合。YOLOv5的autoanchor就采用了类似的思想。其基本步骤是初始化种群随机生成多组Anchor例如100组。适应度评估计算每组Anchor的平均IoU或fitness (best possible recall)。选择保留适应度高的组。交叉与变异模拟生物进化产生新的Anchor组合。迭代重复上述过程直到适应度不再显著提升。这种方法通常能得到比K-means稍好一点的Anchor但计算成本更高。对于大多数项目运行多次K-means取最优已经足够。考虑长宽比Aspect Ratio的单独聚类有些数据集的目标有非常特定的长宽比比如道路上的车辆接近2:1的横向矩形或者行人接近1:2的纵向矩形。你可以先对标注框的长宽比进行聚类确定几个典型的长宽比如0.5, 1.0, 2.0然后在每个长宽比类别内再对尺寸面积进行聚类。这种方法能更好地捕捉形状先验但实现更复杂。动态Anchor与Anchor-Free的思考了解YOLOv1无Anchor和YOLOX、YOLOv6等Anchor-Free模型的发展。Anchor机制虽然有效但也引入了超参数Anchor数量、尺寸。Anchor-Free模型通过直接预测目标中心点或关键点简化了流程。如果你的项目对精度和速度有极致要求可以研究这些新模型。但无论如何理解Anchor聚类对于深入掌握目标检测的基础原理至关重要。可视化分析生成Anchor后强烈建议进行可视化。散点图将你的所有标注框的宽高以散点形式画出来同时将生成的K个Anchor用醒目的红色“X”标记在图上。这能直观地看到Anchor是否覆盖了数据点的密集区域。直方图分别绘制宽、高、面积、长宽比的分布直方图。这能帮你理解数据集的尺度特性并解释为什么聚类出这样的Anchor。# 简单的可视化示例 (需安装matplotlib) import matplotlib.pyplot as plt def visualize_anchors(data, anchors): plt.figure(figsize(10, 6)) plt.scatter(data[:, 0], data[:, 1], s1, alpha0.5, labelGround Truth Boxes) plt.scatter(anchors[:, 0], anchors[:, 1], s200, markerx, colorred, linewidths3, labelGenerated Anchors) for i, (w, h) in enumerate(anchors): plt.text(w, h, fA{i}, fontsize12, hacenter, vabottom, colordarkred) plt.xlabel(Normalized Width) plt.ylabel(Normalized Height) plt.title(Anchor Clustering Result) plt.legend() plt.grid(True, alpha0.3) plt.show() # 在生成best_anchors后调用 visualize_anchors(data, best_anchors)4.3 最终检查清单与部署建议在将新Anchor投入正式训练前请完成以下检查[ ]数据校验确认用于聚类的标注数据是清洗过的无大量异常值。[ ]参数一致性确认聚类时使用的归一化基准与模型训练预处理逻辑一致都是基于原始图像尺寸。[ ]Anchor顺序确认生成的像素值Anchor已按面积排序并正确分组对应到模型的各个检测层。[ ]配置文件更新仔细核对配置文件中的Anchor值已全部更新没有遗漏或错位。[ ]模型初始化开始新的训练任务避免加载旧的检测头权重。[ ]基线对比可选但推荐如果时间允许用旧Anchor和新Anchor分别进行短时间如10个epoch的训练对比损失下降曲线和验证集mAP。这是验证Anchor优化效果最直接的方式。经过以上步骤你应该已经掌握了为自己的YOLO数据集定制Anchor的完整技能。这个过程看似是训练前的一个小步骤但它体现了深度学习项目中一个重要的思想让数据驱动模型设计。合适的Anchor就像为运动员定制了一双合脚的跑鞋虽然不能保证他成为冠军但能让他更舒适、更稳定地发挥出全部实力。在模型调优陷入瓶颈时回头检查一下这个“基础装备”或许会有意想不到的收获。
