#?-*-?coding:?utf-8?-*-
import?numpy?as?np
import?random
import?argparse
import?os
#參數名稱
parser?=?argparse.ArgumentParser（description=‘使用該腳本生成YOLO-V3的anchor?boxes\n‘）
parser.add_argument（‘--input_annotation_txt_dir‘default=‘labels‘type=strhelp=‘輸入存儲圖片的標注txt文件（注意不要有中文）‘）
parser.add_argument（‘--output_anchors_txt‘default=‘anchors.txt‘type=strhelp=‘輸出的存儲Anchor?boxes的文本文件‘）
parser.add_argument（‘--input_num_anchors‘default=6type=inthelp=‘輸入要計算的聚類（Anchor?boxes的個數）‘）
parser.add_argument（‘--input_cfg_width‘default=224type=inthelp=“配置文件中width“）
parser.add_argument（‘--input_cfg_height‘default=224type=inthelp=“配置文件中height“）
args?=?parser.parse_args（）
‘‘‘
centroids?聚類點?尺寸是?numx2類型是ndarray
annotation_array?其中之一的標注框
‘‘‘
def?IOU（annotation_arraycentroids）:
????#
????similarities?=?[]
????#其中一個標注框
????wh?=?annotation_array
????for?centroid?in?centroids:
????????c_wc_h?=?centroid
????????if?c_w?>=w?and?c_h?>=?h:#第1中情況
????????????similarity?=?w*h/（c_w*c_h）
????????elif?c_w?>=?w?and?c_h?<=?h:#第2中情況
????????????similarity?=?w*c_h/（w*h?+?（c_w?-?w）*c_h）
????????elif?c_w?<=?w?and?c_h?>=?h:#第3種情況
????????????similarity?=?c_w*h/（w*h?+（c_h?-?h）*c_w）
????????else:#第3種情況
????????????similarity?=?（c_w*c_h）/（w*h）
????????similarities.append（similarity）
????#將列表轉換為ndarray
????return?np.array（similaritiesnp.float32）?#返回的是一維數組，尺寸為（num）
?
‘‘‘
k_means:k均值聚類
annotations_array?所有的標注框的寬高，N個標注框，尺寸是Nx2類型是ndarray
centroids?聚類點?尺寸是?numx2類型是ndarray
‘‘‘
def?k_means（annotations_arraycentroidseps=0.00005iterations=200000）:
????#
????N?=?annotations_array.shape[0]#C=2
????num?=?centroids.shape[0]
????#損失函數
????distance_sum_pre?=?-1
????assignments_pre?=?-1*np.ones（Ndtype=np.int64）
????#
????iteration?=?0
????#循環處理
????while（True）:
????????#
????????iteration?+=?1
????????#
????????distances?=?[]
????????#循環計算每一個標注框與所有的聚類點的距離（IOU）
????????for?i?in?range（N）:
????????????distance?=?1?-?IOU（annotations_array[i]centroids）
????????????distances.append（distance）
????????#列表轉換成ndarray
????????distances_array?=?np.array（distancesnp.float32）#該ndarray的尺寸為?Nxnum
????????#找出每一個標注框到當前聚類點最近的點
????????assignments?=?np.argmin（distances_arrayaxis=1）#計算每一行的最小值的位置索引
????????#計算距離的總和，相當于k均值聚類的損失函數
????????distances_sum?=?np.sum（distances_array）
????????#計算新的聚類點
????????centr