一些个人理解，不是专业术语~~

code:

https://github.com/ultralytics/yolov5

参数设置：
–rect：开启矩形训练
–noautoanchor：触发关闭auto anchor

def metric(k):  # compute metric
        r = wh[:, None] / k[None]
        x = torch.min(r, 1 / r).min(2)[0]  # ratio metric
        best = x.max(1)[0]  # best_x
        aat = (x > 1 / thr).float().sum(1).mean()  # anchors above threshold
        bpr = (best > 1 / thr).float().mean()  # best possible recall
        return bpr, aat

wh：所有GT的宽高；
k：所有anchor的宽高；
r：w_GT/w_anchor与h_GT/h_anchor；
torch.min(r, 1 / r)：将所有的w_GT/w_anchor、h_GT/h_anchor统一到小于1；
x = torch.min(r, 1 / r).min(2)[0]：看每一组对应的w_GT/w_anchor、h_GT/h_anchor两个数值，哪个更小保留下来，也就是保留和anchor最不像的那个边长特征，x的shape为(n,9)；
best = x.max(1)[0]：每9个里面最不像anchor的特征已经保留下来了，现在就看保留下来的这些特征里面选一个比较接近anchor的（意思就是不需要每个anchor都像，有一个就行）；
bpr：比较接近的那个特征和thr作比较，可以的就置为1，看多少GT和anchor比较像；
（后面代码）如果这个相似度大于0.98了，就不进行autoanchor了；如果小于0.98，就根据kmeans和遗传算法重新计算anchors。

–evolve：进化超参数，网上资料表明开启后会慢数倍，非研究目的建议使用默认值

–bucke：上传结果等到谷歌云盘
–image-weights：更改类权重
–linear-lr：是否使用线性学习率，默认使用cosine lr
–label-smoothing：防止过拟合，标签平滑，弱化单个标签的作用
–patience：早停机制