fast rcnn和rfcn中使用的都是默認的anchor box設置，都是9種，比例為0.5 、1、 2，大小為128、256、512。但我的數據集的gt框更小，需要找到適合我的數據集的anchor box尺寸。
yolo9000提出了用kmeans聚類算法來找到合適的anchor box尺寸。
這篇博客介紹了yolo9000是怎么實現的：http://blog.csdn.net/hrsstudy/article/details/71173305?utm_source=itdadao&utm_medium=referral。
源代碼：https://github.com/PaulChongPeng/darknet/blob/master/tools/k_means_yolo.py，這個代碼庫里還有整個yolo9000的代碼中文解釋，很好，可以拿來學習。
label_path = "/raid/pengchong_data/Data/Lists/paul_train.txt"將這個改成你自己數據的地址，就可以跑這個腳本。
跑這個腳本，需要把gt框從左上右下坐標轉換成中心點、寬度、高度的格式，實際上也只用到了寬度和高度。
我使用的是將原始寬度高度除以了圖片的寬度高度，因為我覺得這樣可以保證他們在同一個分布
如果寬度高度直接是原始的寬度高度，grid_size就設置為1；如果是相對於原圖像的大小，grid_size就設置為相應比例，兩個比例：960、600。
實際上，跑的過程中發現，loss只在前幾個迭代期減小，后面loss就一直增大了。無論是用原始的寬高度，還是用的相對於原圖像的寬高度，都出現了這種現象。最后我選擇了讓loss降最低的那幾個坐標為最后的結果。
跑的過程中還發現，隨着k值的增加，loss是在減少的，但對於單個k值，loss還是先降低后升高。
最終我選擇了k為9，這與rfcn中9個anchor是對應的。
得到9個坐標分別是：（18，17）、（26，25）、（42，27）、（49，40）、（67，66）、（86，39）、（119，80）、（182，155）、（323，281）
這9個坐標表示的是9種長寬，不是中心點。因為scale,ratio最終求的就是w和h
采用了兩種方式進行anchor box的改變：
1.將scals從（8，16，32）改成（1，2，4，8，16），這種得到的ap為0.8435
2.
anchors = np.vstack([_scale_enum(ratio_anchors[i, :], scales) for i in xrange(ratio_anchors.shape[0])])
直接在這段代碼后面添加anchors = 得到的那9個坐標，當然需要將9個坐標相應變換
比如（18，17）就改成（-1.5,-1,16.5,16）
這種得到的ap為0.8442
當然，修改anchor box還要改一些代碼，需要修改哪些文件，直接搜索整個工程文件哪些引用了generate_anchors這個函數的就可以了
除此之外，還需要修改train、test的porotxt
可以參考這個博客：http://www.cnblogs.com/whu-zeng/p/7517480.html