锚框

(一)锚框

如今一大类的目标检测算法是基于锚框。所谓锚框，就是有很多个规定出来的称之为锚框的区域，锚框是猜出来的（边缘框，真实位置），然后预测这个锚框里是否有关注的物体。如果有，预测从锚框到真实边缘的距离。

这个过程就像是：提出假设，验证猜想，接近真相。

（1）如何表示锚框和边缘框之间的差距？

可以使用IoU-交并比来确定两个框之间的相似度。

• 0表示无重叠，1表示完全重合

（2）赋予锚框标号

每一个锚框是一个训练样本，将每一个锚框，要么标注成背景，要么关联上一个真实的边缘框。我们可能会产生大量的锚框。（这个导致大量的负类样本，也就是说会有大量的锚框预测错误）

让我们用一个具体的例子来说明上述算法。
如图所示，假设矩阵中的最大值为，我们将真实边界框分配给锚框。
然后，我们丢弃矩阵第2行和第3列中的所有元素，在剩余元素（阴影区域）中找到最大的，然后将真实边界框分配给锚框。
接下来，如中间的图所示，丢弃矩阵第7行和第1列中的所有元素，在剩余元素（阴影区域）中找到最大的，然后将真实边界框分配给锚框。
最后，如右图所示，丢弃矩阵第5行和第4列中的所有元素，在剩余元素（阴影区域）中找到最大的，然后将真实边界框分配给锚框。
之后，我们只需要遍历剩余的锚框，然后根据阈值确定是否为它们分配真实边界框。

简单地说，就是假设有四类物品在图中，那么在图中的物体都会有一个边缘框（真实值）然后我们在图片中我们设置了9个锚框，分别对四个物品进行检测，于是就构成了4*9的矩阵。然后分别计算其IoU值，找最大的值。如果找到了这个值，所以这个锚框根据情况就会吧这个锚框选出来打上标记，并将行和列去掉，代表这个锚框是真实label最接近的值，同时不用关注其他锚框在这个labe上的IoU了。接着继续找矩阵里面最大的。重复这个操作。

但是我们需要注意的是，这仅仅是其中确定锚框的一种做法。具体问题所用的方法可能有所不同。在实现的代码中，是将IOU>0.5的都选出来。所以就会存在，一个真实值有多个锚框。然后时候下面的NMS选择一个比较合适的。

（3）非极大抑制（NMS）

这是用来干什么呢？因为我们的锚框的位置都是随机的，而且大量的锚框大大小小会有很多重叠。不难想到，如果有好多个锚框都圈到了我要预测的物体咋办？那么我们就需要在这些锚框中选举出一个最好的，其他的都去掉。

NMS可以合并相似的预测

• 选中的是非背景类的最大预测值
• 去掉所有其他和它IoU值大于θ的预测
• 重复上述过程知道所有预测要么被选中，要么被丢掉

这里的操作相较于前面的网络，更为繁琐和复杂。而且计算的复杂度也会比之前的网络难很多。

（二）代码实现

%matplotlib inline
import torch
from d2l import torch as d2l 

torch.set_printoptions(2) # 精简输出精度

(1)生成多个锚框

假设输入图像的高度为，宽度为。
我们以图像的每个像素为中心生成不同形状的锚框：缩放比为，宽高比为。
那么[锚框的宽度和高度分别是和。]

要生成多个不同形状的锚框，让我们设置许多缩放比（scale）取值和许多宽高比（aspect ratio）取值。
当使用这些比例和长宽比的所有组合以每个像素为中心时，输入图像将总共有个锚框。
尽管这些锚框可能会覆盖所有真实边界框，但计算复杂性很容易过高。
在实践中，我们只考虑包含或的组合：

也就是说，以同一像素为中心的锚框的数量是。
对于整个输入图像，我们将共生成个锚框。

下面这个函数的网友解释：
r是指锚框的宽高比与图像的宽高比之比即，s是图像尺寸缩放因子即，联立求解即可得文中的锚框宽高即。

在程序中，由于锚框中心坐标已经沿图像宽高进行归一化，为了得到锚框左上和右下的坐标，也需要对求得的锚框宽高进行归一化以便进行加减即和，也就是说程序函数输出的是锚框两点实际坐标与图像宽高之比。

但是我对w后面的* in_height / in_width不太清楚，这里的维度变化不要太奇妙，永远猜不透啊。

torch.stack(x,dim=0) # 沿着某个维度进行堆叠

# 参数列表data：像素点(-1,c,h,w)、 size：缩放比例[]、 ratio：宽高比[]
# 下面都是以输入图片(561, 728, 3),sizes=[0.75, 0.5, 0.25], ratios=[1, 2, 0.5]解释
def multibox_prior(data, sizes, ratios):
    """生成以每个像素为中心具有不同形状的锚框"""
    in_height, in_width = data.shape[-2:] # 获取高宽两个值，其实可以直接传高宽值
    device, num_sizes, num_ratios = data.device, len(sizes), len(ratios)
    boxes_per_pixel = (num_sizes + num_ratios - 1) # 单像素的锚框个数，(s1,r1),(s1,r2),(s1,r3),(s2,r1),(s3,r1)
    size_tensor = torch.tensor(sizes, device=device) # 复制到对应的设备上
    ratio_tensor = torch.tensor(ratios, device=device) # 复制到对应的设备上

    # 为了将锚点移动到像素的中心(x, y)，需要设置偏移量(x+0.5, y+0.5)。
    # 因为一个像素的高为1且宽为1，我们选择偏移我们的中心0.5，也就是刚好框住一个像素
    offset_h, offset_w = 0.5, 0.5
    steps_h = 1.0 / in_height  # 在y轴上缩放步长
    steps_w = 1.0 / in_width  # 在x轴上缩放步长

    # 生成锚框的所有中心点,并且缩小到0-1之间
    center_h = (torch.arange(in_height, device=device) + offset_h) * steps_h # 每个像素x的中心值
    center_w = (torch.arange(in_width, device=device) + offset_w) * steps_w
    shift_y, shift_x = torch.meshgrid(center_h, center_w, indexing='ij') # 让两个向量组合成(561, 728)的矩阵
    shift_y, shift_x = shift_y.reshape(-1), shift_x.reshape(-1) # 降低一个维度(408408)，相当于flaten

    # 生成“boxes_per_pixel”个高和宽，
    # 之后用于创建锚框的四角坐标(xmin,xmax,ymin,ymax)
    # (s1,r1),(s1,r2),(s1,r3),(s2,r1),(s3,r1)
    w = torch.cat((size_tensor * torch.sqrt(ratio_tensor[0]),
                   sizes[0] * torch.sqrt(ratio_tensor[1:]))) * in_height / in_width  # 处理矩形输入（这里和公式有出入，表示不理解）
    h = torch.cat((size_tensor / torch.sqrt(ratio_tensor[0]),
                   sizes[0] / torch.sqrt(ratio_tensor[1:])))
    # 除以2来获得半高和半宽
    # repeat(列重复次数，行重复次数)，也就是让列重复561*728，因为每个像素都要有boxes_per_pixel个锚框
    # 每个锚框有四个值表示位置，所以anchor_manipulations的形状为(5*561*728,4)
    anchor_manipulations = torch.stack((-w, -h, w, h)).T.repeat(in_height * in_width, 1) / 2

    # 每个中心点都将有“boxes_per_pixel”个锚框，
    # 所以生成含所有锚框中心的网格，重复了“boxes_per_pixel”次,形状为(5*561*728, 4)
    # repeat_interleave(boxes_per_pixel, dim=0)，按照第一个维度向下复制
    out_grid = torch.stack([shift_x, shift_y, shift_x, shift_y],
                dim=1).repeat_interleave(boxes_per_pixel, dim=0)
    output = out_grid + anchor_manipulations # 中心点+高宽，变成左上和右下两个坐标
    return output.unsqueeze(0)# 增加一个维度

img = d2l.plt.imread('../img/catdog.jpg')
h, w = img.shape[:2]
print("图片形状：",img.shape)
print("图片大小：",h, w)
X = torch.rand(size=(1, 3, h, w))
Y = multibox_prior(X, sizes=[0.75, 0.5, 0.25], ratios=[1, 2, 0.5])
print(Y.shape)

boxes = Y.reshape(h, w, 5, 4)
boxes[250, 250, 0, :]

# 参数列表，axes是图像的坐标轴，bboxes是锚框数组，label是左上角的字的数组
def show_bboxes(axes, bboxes, labels=None, colors=None):
    """显示所有边界框"""
    def _make_list(obj, default_values=None):
        if obj is None:
            obj = default_values
        elif not isinstance(obj, (list, tuple)):
            # 将变量转换为list
            obj = [obj]
        return obj

    labels = _make_list(labels)
    colors = _make_list(colors, ['b', 'g', 'r', 'm', 'c'])
    for i, bbox in enumerate(bboxes):
        color = colors[i % len(colors)]
        rect = d2l.bbox_to_rect(bbox.detach().numpy(), color)
        axes.add_patch(rect)
        if labels and len(labels) > i:
            text_color = 'k' if color == 'w' else 'w'
            axes.text(rect.xy[0], rect.xy[1], labels[i],
                      va='center', ha='center', fontsize=9, color=text_color,
                      bbox=dict(facecolor=color, lw=0))

d2l.set_figsize()
bbox_scale = torch.tensor((w, h, w, h))
fig = d2l.plt.imshow(img)
show_bboxes(fig.axes, boxes[260, 420, :, :] * bbox_scale,
            ['s=0.75, r=1', 's=0.5, r=1', 's=0.25, r=1', 's=0.75, r=2',
             's=0.75, r=0.5'])

!!!这里千万要注意，图片用的坐标系和平常数学中的坐标系是不一样的。搞得我推理了好久好久好久……（麻了）

坐标系可以看上图就知道了，y轴是反过来的。

def box_iou(boxes1, boxes2):
    """计算两个锚框或边界框列表中成对的交并比"""
    box_area = lambda boxes: ((boxes[:, 2] - boxes[:, 0]) *
                              (boxes[:, 3] - boxes[:, 1]))
    # boxes1,boxes2,areas1,areas2的形状:
    # boxes1：(boxes1的数量,4),
    # boxes2：(boxes2的数量,4),
    # areas1：(boxes1的数量,),
    # areas2：(boxes2的数量,)
    areas1 = box_area(boxes1)
    areas2 = box_area(boxes2)
    # inter_upperlefts,inter_lowerrights,inters的形状:
    # (boxes1的数量,boxes2的数量,2)
    inter_upperlefts = torch.max(boxes1[:, None, :2], boxes2[:, :2]) # 在第二个维度增加一个维度, 目的是利用python的广播机制
    # print(inter_upperlefts.shape) # torch.Size([1, 2, 2])
    inter_lowerrights = torch.min(boxes1[:, None, 2:], boxes2[:, 2:])
    inters = (inter_lowerrights - inter_upperlefts).clamp(min=0) # 规定最小值为0
    # inter_areasandunion_areas的形状:(boxes1的数量,boxes2的数量)
    inter_areas = inters[:, :, 0] * inters[:, :, 1]
    union_areas = areas1[:, None] + areas2 - inter_areas
    # print(inter_areas,union_areas) # tensor([[1, 0]]) tensor([[7, 6]])
    return inter_areas / union_areas

def assign_anchor_to_bbox(ground_truth, anchors, device, iou_threshold=0.5):
    """将最接近的真实边界框分配给锚框"""
    num_anchors, num_gt_boxes = anchors.shape[0], ground_truth.shape[0]
    # 位于第i行和第j列的元素x_ij是锚框i和真实边界框j的IoU
    # 形状：（anchors,ground_truth）
    jaccard = box_iou(anchors, ground_truth)
    print(jaccard)
    # 对于每个锚框，分配的真实边界框的张量，全部填充上-1,默认都是背景
    anchors_bbox_map = torch.full((num_anchors,), -1, dtype=torch.long, device=device)
    # 根据阈值，决定是否分配真实边界框
    max_ious, indices = torch.max(jaccard, dim=1) # 选出每行最大值
    # torch.nonzero( )用于输出非零值的下标
    anc_i = torch.nonzero(max_ious >= iou_threshold).reshape(-1) # 选出所有大于阈值的行标
    box_j = indices[max_ious >= iou_threshold] # 选出大于阈值的列标
    anchors_bbox_map[anc_i] = box_j # 形状(num_anchors, 1)，将iou大于阈值的行的值改为列标，背景仍然为-1
    col_discard = torch.full((num_anchors,), -1) # 形状(锚框数量, 1),用来覆盖一列
    row_discard = torch.full((num_gt_boxes,), -1) # 形状(真实框数量, 1)，用来覆盖一行
    for _ in range(num_gt_boxes):
        # 寻找最大的num_gt_boxes个最大值，对应前面描述的算法，这里是给每一个类别打上标签
        max_idx = torch.argmax(jaccard)
        box_idx = (max_idx % num_gt_boxes).long() # 最大值列标对应标签值，每个种类都要打一个标签哪怕iou很小
        anc_idx = (max_idx / num_gt_boxes).long() # 行标
        print(anc_idx,box_idx)
        anchors_bbox_map[anc_idx] = box_idx
        jaccard[:, box_idx] = col_discard
        jaccard[anc_idx, :] = row_discard
    return anchors_bbox_map

x = torch.full((4,),-1)
a = torch.randn((3,4))
m,i= torch.max(a,dim=1)
print(a)
print("每列的最大值：",m)
print("最大值大于阈值的bool列表",m>1.5)
print("每行最大值的列标",i)
print("最大值大于阈值的行标",torch.nonzero(m>1.5).reshape(-1))
print("最大值大于阈值的列标",i[m>1.5])
x[torch.nonzero(m>1.5).reshape(-1)]= i[m>1.5]
print(x)

标记类别和偏移量

现在我们可以为每个锚框标记类别和偏移量了。
假设一个锚框被分配了一个真实边界框。
一方面，锚框的类别将被标记为与相同。
另一方面，锚框的偏移量将根据和中心坐标的相对位置以及这两个框的相对大小进行标记。
鉴于数据集内不同的框的位置和大小不同，我们可以对那些相对位置和大小应用变换，使其获得分布更均匀且易于拟合的偏移量。
在这里，我们介绍一种常见的变换。
[**给定框和，中心坐标分别为和，宽度分别为和，高度分别为和。
我们可以将的偏移量标记为：

**]
其中常量的默认值为 ， 。
这种转换在下面的 offset_boxes 函数中实现。

#@save，给定一个真实的边框和一个锚框，将锚框换算过去
def offset_boxes(anchors, assigned_bb, eps=1e-6):
    """对锚框偏移量的转换"""
    c_anc = d2l.box_corner_to_center(anchors)
    c_assigned_bb = d2l.box_corner_to_center(assigned_bb)
    offset_xy = 10 * (c_assigned_bb[:, :2] - c_anc[:, :2]) / c_anc[:, 2:]
    offset_wh = 5 * torch.log(eps + c_assigned_bb[:, 2:] / c_anc[:, 2:])
    offset = torch.cat([offset_xy, offset_wh], axis=1)
    return offset

#@save 参数列表（ancors:锚框，labels边缘框）
def multibox_target(anchors, labels):
    """使用真实边界框标记锚框"""
    batch_size, anchors = labels.shape[0], anchors.squeeze(0) #torch.squeeze() 这个函数主要对数据的维度进行压缩，去掉维数为1的的维度
    batch_offset, batch_mask, batch_class_labels = [], [], []
    device, num_anchors = anchors.device, anchors.shape[0]
    for i in range(batch_size):
        label = labels[i, :, :]
        anchors_bbox_map = assign_anchor_to_bbox(
            label[:, 1:], anchors, device)
        # torch.unsqueeze()这个函数主要是对数据维度进行扩充。
        bbox_mask = ((anchors_bbox_map >= 0).float().unsqueeze(-1)).repeat( 1, 4)
        # 将类标签和分配的边界框坐标初始化为零
        class_labels = torch.zeros(num_anchors, dtype=torch.long, device=device)
        assigned_bb = torch.zeros((num_anchors, 4), dtype=torch.float32, device=device)
        # 使用真实边界框来标记锚框的类别。
        # 如果一个锚框没有被分配，我们标记其为背景（值为零）
        indices_true = torch.nonzero(anchors_bbox_map >= 0)
        bb_idx = anchors_bbox_map[indices_true]
        class_labels[indices_true] = label[bb_idx, 0].long() + 1
        assigned_bb[indices_true] = label[bb_idx, 1:]
        # 偏移量转换
        offset = offset_boxes(anchors, assigned_bb) * bbox_mask
        batch_offset.append(offset.reshape(-1))
        batch_mask.append(bbox_mask.reshape(-1))
        batch_class_labels.append(class_labels)
    bbox_offset = torch.stack(batch_offset)
    bbox_mask = torch.stack(batch_mask)
    class_labels = torch.stack(batch_class_labels)
    return (bbox_offset, bbox_mask, class_labels)

一个例子

让我们通过一个具体的例子来说明锚框标签。这个例子对应上面的输出图片。

我们已经为加载图像中的狗和猫定义了真实边界框，其中第一个元素是类别（0代表狗，1代表猫），其余四个元素是左上角和右下角的轴坐标（范围介于0和1之间）。
我们还构建了五个锚框，用左上角和右下角的坐标进行标记：（索引从0开始）。
然后我们[在图像中绘制这些真实边界框和锚框]。

ground_truth = torch.tensor([[0, 0.1, 0.08, 0.52, 0.92],
                         [1, 0.55, 0.2, 0.9, 0.88]])
anchors = torch.tensor([[0, 0.1, 0.2, 0.3], [0.15, 0.2, 0.4, 0.4],
                    [0.63, 0.05, 0.88, 0.98], [0.66, 0.45, 0.8, 0.8],
                    [0.57, 0.3, 0.92, 0.9]])

fig = d2l.plt.imshow(img)
show_bboxes(fig.axes, ground_truth[:, 1:] * bbox_scale, ['dog', 'cat'], 'k')
show_bboxes(fig.axes, anchors * bbox_scale, ['0', '1', '2', '3', '4'])

使用上面定义的multibox_target函数，我们可以[根据狗和猫的真实边界框，标注这些锚框的分类和偏移量]。
在这个例子中，背景、狗和猫的类索引分别为0、1和2。
下面我们为锚框和真实边界框样本添加一个维度。

labels = multibox_target(anchors.unsqueeze(dim=0),
                         ground_truth.unsqueeze(dim=0))

返回的结果中有三个元素，都是张量格式。第三个元素包含标记的输入锚框的类别。

让我们根据图像中的锚框和真实边界框的位置来分析下面返回的类别标签。
首先，在所有的锚框和真实边界框配对中，锚框与猫的真实边界框的IoU是最大的。
因此，的类别被标记为猫。
去除包含或猫的真实边界框的配对，在剩下的配对中，锚框和狗的真实边界框有最大的IoU。
因此，的类别被标记为狗。
接下来，我们需要遍历剩下的三个未标记的锚框：、和。
对于，与其拥有最大IoU的真实边界框的类别是狗，但IoU低于预定义的阈值（0.5），因此该类别被标记为背景；
对于，与其拥有最大IoU的真实边界框的类别是猫，IoU超过阈值，所以类别被标记为猫；
对于，与其拥有最大IoU的真实边界框的类别是猫，但值低于阈值，因此该类别被标记为背景。

返回的第二个元素是掩码（mask）变量，形状为（批量大小，锚框数的四倍）。
掩码变量中的元素与每个锚框的4个偏移量一一对应。
由于我们不关心对背景的检测，负类的偏移量不应影响目标函数。
通过元素乘法，掩码变量中的零将在计算目标函数之前过滤掉负类偏移量。

返回的第一个元素包含了为每个锚框标记的四个偏移值。
请注意，负类锚框的偏移量被标记为零。

使用非极大值抑制预测边界框

在预测时，我们先为图像生成多个锚框，再为这些锚框一一预测类别和偏移量。
一个“预测好的边界框”则根据其中某个带有预测偏移量的锚框而生成。
下面我们实现了offset_inverse函数，该函数将锚框和偏移量预测作为输入，并[应用逆偏移变换来返回预测的边界框坐标]。

def offset_inverse(anchors, offset_preds):
    """根据带有预测偏移量的锚框来预测边界框"""
    anc = d2l.box_corner_to_center(anchors)
    pred_bbox_xy = (offset_preds[:, :2] * anc[:, 2:] / 10) + anc[:, :2]
    pred_bbox_wh = torch.exp(offset_preds[:, 2:] / 5) * anc[:, 2:]
    pred_bbox = torch.cat((pred_bbox_xy, pred_bbox_wh), axis=1)
    predicted_bbox = d2l.box_center_to_corner(pred_bbox)
    return predicted_bbox

#@save
def nms(boxes, scores, iou_threshold):
    """对预测边界框的置信度进行排序"""
    B = torch.argsort(scores, dim=-1, descending=True)
    keep = []  # 保留预测边界框的指标
    while B.numel() > 0:
        i = B[0]
        keep.append(i)
        if B.numel() == 1: break
        iou = box_iou(boxes[i, :].reshape(-1, 4),
                      boxes[B[1:], :].reshape(-1, 4)).reshape(-1)
        inds = torch.nonzero(iou <= iou_threshold).reshape(-1)
        B = B[inds + 1]
    return torch.tensor(keep, device=boxes.device)

#@save
def multibox_detection(cls_probs, offset_preds, anchors, nms_threshold=0.5,
                       pos_threshold=0.009999999):
    """使用非极大值抑制来预测边界框"""
    device, batch_size = cls_probs.device, cls_probs.shape[0]
    anchors = anchors.squeeze(0)
    num_classes, num_anchors = cls_probs.shape[1], cls_probs.shape[2]
    out = []
    for i in range(batch_size):
        cls_prob, offset_pred = cls_probs[i], offset_preds[i].reshape(-1, 4)
        conf, class_id = torch.max(cls_prob[1:], 0)
        predicted_bb = offset_inverse(anchors, offset_pred)
        keep = nms(predicted_bb, conf, nms_threshold)

        # 找到所有的non_keep索引，并将类设置为背景
        all_idx = torch.arange(num_anchors, dtype=torch.long, device=device)
        combined = torch.cat((keep, all_idx))
        uniques, counts = combined.unique(return_counts=True)
        non_keep = uniques[counts == 1]
        all_id_sorted = torch.cat((keep, non_keep))
        class_id[non_keep] = -1
        class_id = class_id[all_id_sorted]
        conf, predicted_bb = conf[all_id_sorted], predicted_bb[all_id_sorted]
        # pos_threshold是一个用于非背景预测的阈值
        below_min_idx = (conf < pos_threshold)
        class_id[below_min_idx] = -1
        conf[below_min_idx] = 1 - conf[below_min_idx]
        pred_info = torch.cat((class_id.unsqueeze(1),
                               conf.unsqueeze(1),
                               predicted_bb), dim=1)
        out.append(pred_info)
    return torch.stack(out)

举个例子

anchors = torch.tensor([[0.1, 0.08, 0.52, 0.92], [0.08, 0.2, 0.56, 0.95],
                      [0.15, 0.3, 0.62, 0.91], [0.55, 0.2, 0.9, 0.88]])
offset_preds = torch.tensor([0] * anchors.numel())
cls_probs = torch.tensor([[0] * 4,  # 背景的预测概率
                      [0.9, 0.8, 0.7, 0.1],  # 狗的预测概率
                      [0.1, 0.2, 0.3, 0.9]])  # 猫的预测概率

fig = d2l.plt.imshow(img)
show_bboxes(fig.axes, anchors * bbox_scale,
            ['dog=0.9', 'dog=0.8', 'dog=0.7', 'cat=0.9'])

现在我们可以调用multibox_detection函数来执行非极大值抑制，其中阈值设置为0.5。
请注意，我们在示例的张量输入中添加了维度。

我们可以看到[返回结果的形状是（批量大小，锚框的数量，6）]。
最内层维度中的六个元素提供了同一预测边界框的输出信息。
第一个元素是预测的类索引，从0开始（0代表狗，1代表猫），值-1表示背景或在非极大值抑制中被移除了。
第二个元素是预测的边界框的置信度。
其余四个元素分别是预测边界框左上角和右下角的轴坐标（范围介于0和1之间）。

output = multibox_detection(cls_probs.unsqueeze(dim=0),
                            offset_preds.unsqueeze(dim=0),
                            anchors.unsqueeze(dim=0),
                            nms_threshold=0.5)
output

fig = d2l.plt.imshow(img)
for i in output[0].detach().numpy():
    if i[0] == -1:
        continue
    label = ('dog=', 'cat=')[int(i[0])] + str(i[1])
    show_bboxes(fig.axes, [torch.tensor(i[2:]) * bbox_scale], label)

沐导团队写的代码太优雅了，里面有大量的矩阵变换，眼花缭乱，对新手来说及其不友好。如果实在没看懂我觉得也问题不大。现在先大致理解流程，不用死磕，等到后面反过来在理解一遍，加深理解会更好。但是要了解其主要过程：

• 根据每一个像素点锚框
• 计算锚框和边缘框之间的IoU（交并比）
• 选择出交并比大于一个门槛值的锚框
• 给锚框打上标记，做好分类
• 计算边缘框与锚框之间的偏移量
• 根据预测结果使用非极大值抑制来预测边界框