使用kmeans的聚类算法选择数据集最可能的anchor size和ratio。K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
kmeans缺点：kmeans中k代表k个种子点或者聚类中心，这个值必须先选定。kmeans对初始化很敏感，所以采用kmeans++进行初始化，初始的聚类中心之间的相互距离要尽可能的远。
具体在使用过程：实际上我不需要gt框的中心坐标点，只需要他w和h。yolo2并没有使用传统的欧氏距离算相似度(或者说是kmeans中的距离)，而是用的d(box,centroid)=1−IOU(box,centroid)，因为使用欧氏距离会让大的bounding boxes比小的bounding boxes产生更多的error为什么？。并且使用的是相对于原图像的宽高度，也就是归一化。
这一块代码细节还是有问题！！！