當然，在yolo系列模型中，從yolov2開始引入anchors機制。引入這個機制並沒有提升mAP，反而下降了零點幾個百分點。但是，yolov2的recall率提升了4%，這是因為anchor使其預測的框數量增加了5倍，能夠充分的檢測各種框（多尺度的作用？這裡不是很清楚），雖然平均精度略有下降，但是帶來的召回率的大幅度的提升。

在YOLOv3模型中，什麼時候會用到anchors呢？在訓練階段，數據處理那裡計算ground truth與那個anchor的IoU最大，標記該anchor對應的confidence為一，在計算loss時，這個anchor box對應的預測有回歸、confidence和分類的誤差，大於某個閾值但不是最優anchor對應的預測值則沒有confidence和定位損失，小於閾值的則有confidence損失。需要說明的是，訓練時預測的值為高和寬相對anchor高和寬的值。所以，訓練的目標就是使得檢測器得到物體與最佳anchor偏離值，並且使得偏離值接近真實值。

在測試階段，則根據confidence來與閾值的關係來判斷預測的邊框是否有效，這時anchor boxes的作用就是還原預測邊框在輸入圖像的大小（中心點有grid完成）。當然，在此之後還需要進行非極大值抑制。

以前總覺得anchors這東西很奇怪，是直接由網路生成嗎？答案是否定的，網路只是預測物體與anchor的相對關係，比它高多少？比他矮多少。anchor boxes是手工設計的，或者使用聚類。

推薦閱讀：