anchors和GT生成label的两种计算方式

[BigPandaCPU]

作者您好，非常感谢你分享的yoloV4-pytorch项目。 阅读了几个不同版本的Yolo实现，发现大家在计算anchors和GT的时候有两种不同的计算方法。 方法1： 在每一个特征层上，比如13 13这个特征层上，其对应的anchor是anchors[6,7,8]这三个。在该特征层上，进行object的标定的时候，是计算gt和所有的9个anchors的iou，再取最大的那个anchor多对应的index，如果该index在[6,7,8]中，就将对gt对应的特征层上的位置，进行标定。（你这里计算采用的正是这种方式） （这种计算方式会导致的问题是，如果gt比较小，对应的anchor都在anchors[0, 1, 2]这几个anchors上（特征层52 52），就会导致在特征层（13 13, 26 26）上没有目标）

方法2： 在每一个特征层上，比如13*13这个特征层上，其对应的anchor是anchors[6,7,8]这三个。在该特征层上，进行object的标定的时候，是计算gt和该层所对应的3个anchor，就是anchors[6,7,8]，再取最大的那个anchor多对应的index，然后将该gt所对应的特征层上的位置进行标定。 这种实现方式的是https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/master/models.py 68-78行，这里创建每一个YoloLayer（就是你这里的YoloLoss），的时候给定的anchors就是对应的3个anchor。 https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/master/utils/utils.py 276-330行，这里计算gt和anchors的时候，就是计算每一个gt和该层对应的三个anchors。在darknet中好像也是采用这种计算方式。

[bubbliiiing]

hello，欢迎讨论，其实我也不知道哪个方式是最优的 我把这个代码写成计算9个anchor的最合适的一个，因为参考了qqwweee的yolov3的库 我个人理解是，如果每个特征层都有一个先验框对应的话，那么小目标是否也需要最深层的特征层预测了，我觉得是不是不合理。

[bubbliiiing]

你有没有比较过不同方法的效果呢，我其实也很困扰

[BigPandaCPU]

你有没有比较过不同方法的效果呢，我其实也很困扰

非常感谢作者的回答，我这边也在实验中。。。

[bubbliiiing]

我确实很好奇，你现在有什么感觉嘛？