一、思路
我们建立 anchor box 这个概念， 是为了处理两个对象出现在同一个格子的情况， 实践中这种情况很少发生， 特别是如果你用的是 19×19 网格而不是3×3 的网格， 两个对象中点处于 361 个格子中同一个格子的概率很低， 确实会出现， 但出现频率不高。 也许设立 anchor box 的好处在于 anchor box 能让你的学习算法能够更有征对性，特别是如果你的数据集有一些很高很瘦的对象， 比如说行人， 还有像汽车这样很宽的对象，这样你的算法就能更有针对性的处理， 这样有一些输出单元可以针对检测很宽很胖的对象，比如说车子， 然后输出一些单元， 可以针对检测很高很瘦的对象， 比如说行人。
你应该怎么选择 anchor box 呢？ 人们一般手工指定 anchor box 形状， 你可以选择 5 到 10 个 anchor box 形状， 覆盖到多种不同的形状， 可以涵盖你想要检测的对象的各种形状。 还有一个更高级的版本， 我就简单说一句， 你们如果接触过一些机器学习， 可能知道后期 YOLO 论文中有更好的做法， 就是所谓的 k-平均算法， 可以将两类对象形状聚类， 如果我们用它来选择一组 anchor box， 选择最具有代表性的一组 anchor box， 可以代表你试图检测的十几个对象类别， 但这其实是自动选择 anchor box 的高级方法。 如果你就人工选择一些形状， 合理的考虑到所有对象的形状， 你预计会检测的很高很瘦或者很宽很胖的对象， 这应该也不难做。
一、目标检测网络之 YOLOv3
https://www.cnblogs.com/makefile/p/YOLOv3.html
fast rcnn和rfcn中使用的都是默认的anchor box设置，都是9种，比例为0.5 、1、 2，大小为128、256、512。但我的数据集的gt框更小，需要找到适合我的数据集的anchor box尺寸。
yolo9000提出了用kmeans聚类算法来找到合适的anchor box尺寸。
二、这篇博客介绍了yolo9000是怎么实现的：
http://blog.csdn.net/hrsstudy/article/details/71173305?utm_source=itdadao&utm_medium=referral。
源代码：https://github.com/PaulChongPeng/darknet/blob/master/tools/k_means_yolo.py，这个代码库里还有整个yolo9000的代码中文解释，很好，可以拿来学习。
label_path = "/raid/pengchong_data/Data/Lists/paul_train.txt"将这个改成你自己数据的地址，就可以跑这个脚本。
跑这个脚本，需要把gt框从左上右下坐标转换成中心点、宽度、高度的格式，实际上也只用到了宽度和高度。
我使用的是将原始宽度高度除以了图片的宽度高度，因为我觉得这样可以保证他们在同一个分布
如果宽度高度直接是原始的宽度高度，grid_size就设置为1；如果是相对于原图像的大小，grid_size就设置为相应比例，两个比例：960、600。
实际上，跑的过程中发现，loss只在前几个迭代期减小，后面loss就一直增大了。无论是用原始的宽高度，还是用的相对于原图像的宽高度，都出现了这种现象。最后我选择了让loss降最低的那几个坐标为最后的结果。
跑的过程中还发现，随着k值的增加，loss是在减少的，但对于单个k值，loss还是先降低后升高。
最终我选择了k为9，这与rfcn中9个anchor是对应的。
得到9个坐标分别是：（18，17）、（26，25）、（42，27）、（49，40）、（67，66）、（86，39）、（119，80）、（182，155）、（323，281）
这9个坐标表示的是9种长宽，不是中心点。因为scale,ratio最终求的就是w和h
采用了两种方式进行anchor box的改变：
1.将scals从（8，16，32）改成（1，2，4，8，16），这种得到的ap为0.8435
2.
anchors = np.vstack([_scale_enum(ratio_anchors[i, :], scales)
for i in xrange(ratio_anchors.shape[0])])直接在这段代码后面添加anchors = 得到的那9个坐标，当然需要将9个坐标相应变换比如（18，17）就改成（-1.5,-1,16.5,16），这种得到的ap为0.8442
当然，修改anchor box还要改一些代码，需要修改哪些文件，直接搜索整个工程文件哪些引用了generate_anchors这个函数的就可以了
除此之外，还需要修改train、test的porotxt
可以参考这个博客：http://www.cnblogs.com/whu-zeng/p/7517480.html