UGUI中Anchor和Pivot详解

相信很多刚接触UGUI的开发者，对于这套系统中RectTransform里的position，anchor，pivot都或多或少有些不熟悉，不知道这些是干嘛用的，为此，本篇文章就给大家介绍下这几个概念，不过主要还是会以Anchor和Pivot为主，position会带过介绍。

1、Pivot轴心

旋转、大小和缩放修改发生在主轴Pivot点周围，因此Pivot的位置会影响旋转、调整大小或缩放的结果。当工具栏Pivot/Center按钮设置为Pivot模式时，可以在场景视图中移动矩形变换的Pivot小圆圈。

如图：旋转 *** 作为绕着这个点旋转。

注：

Pivot是相对于自身的，(0,0)为自己左下角，(1,1)为自己右上角。(可以把这个UI看成这个点)

2、Anchors锚点

如果一个RectTransform的父物体也是RectTransform，那么子RectTransform可以以各种方式锚定到父RectTransform。

例如，子节点可以锚定在父节点的中心或其中一个角上。

锚定也允许孩子与父母的宽度或高度一起伸展。矩形的每个角都有一个固定的锚点偏移量，即矩形的左上角有一个固定的锚点偏移量，等等。这样，矩形的不同角就可以固定在父矩形的不同点上。

如：

3、Anchor presets锚点预设

在Inspector中，可以在Rect Transform组件的左上角找到锚预置按钮。单击该按钮将d出锚预置下拉菜单。从这里您可以快速地从一些最常见的锚定选项中进行选择。您可以将UI元素锚定到父元素的侧面或中间，或者与父元素大小一起拉伸。水平和垂直锚定是独立的。

锚预置按钮显示当前选择的预置选项(如果有的话)。如果将水平轴或垂直轴上的锚设置为与任何预设位置不同的位置，则会显示自定义选项。

Anchor Min对应场景视图中左下方的Anchor handle, Anchor Max对应右上方的handle。

矩形的position字段根据锚顶点是否在一起(产生固定的宽度和高度)或是否分开(导致矩形与父矩形一起拉伸)而不同。

方式1：当所有的锚柄在一起时，显示的字段是Pos X、Pos Y、宽度和高度。Pos X和Pos Y的值表示pivot相对于锚点的位置。

方式2：当锚被分开时，字段可以部分或完全改变为左、右、上、下。这些字段定义锚定义的矩形内的填充。如果锚水平分开，则使用左字段和右字段，如果锚垂直分开，则使用顶部和底部字段。

注意，在anchor或pivot字段中更改值通常会反向调整position值，以使矩形保持原位。在不需要这样做的情况下，通过单击检查器中的R按钮启用原始编辑模式。这使得anchor和pivot值能够在不改变任何其他值的情况下被改变。这可能会导致矩形在视觉上移动或调整大小，因为它的位置和大小取决于anchor和pivot值。

看下图预设布局，可以注意到：布局分为左侧、上侧和右下。

左和上只是方位标记，用啥要选择右下角部分；

右下部分的左上9个是一个点，所有锚柄在一起，大小不会受父物体影响，父物体大小变化子物体pivot到锚点位置保持不变如上面方式1

其他为2个点，最右下角的为四个点，大小会受父物体影响如上面方式2

注意区分：

Pivot是相对于自身的，(0,0)为自己左下角，(1,1)为自己右上角。(可以把这个UI看成这个点)

Anchor为相对于父物体的，(0,0)为父物体左下角，(1,1)为父物体右上角。

4、Blue Print Mode(蓝图模式) 、 Raw Edit Mode(原始编辑模式)

参考链接： https://mp.weixin.qq.com/s/2VZBlS5K5H-Y-RwKOZCJdQ

http://tsubakit1.hateblo.jp/entry/2014/12/19/033946#BluePrint-Mode%E3%81%A8Raw-Edit-Mode

Blue Print Mode (蓝图模式)

勾选后，就算UI被调整Rotation或Scale参数，UI的矩形框也不变。

Raw Edit Mode (原始编辑模式)

在 Inspector 中调整 Pivot 和 Anchor 时，物体会维持目前的位置与大小(Inspector 中数值部分)，请注意数值部分：

Inspector 中调整 Pivot：

Inspector 中调整 Anchor：

5、从脚本端 *** 作布局

从脚本端 *** 作uGUI时，编辑符号和RectTransform字段不匹配有点复杂。没有诸如Pos X之类的参数，并且宽度/高度也不存在。

在这种情况下，将Inspector更改为Debug模式并公开RectTransform的隐藏参数。通过这个我们可以看到参数通常指向的内容。

      最近在预研一些anchor-free算法，想要把anchor给Free掉，我们总得先知道什么是anchor吧，毕竟知己知彼，百战不殆。

anchor字面意思是锚，是个把船固定的东东（上图），anchor在计算机视觉中有锚点或锚框，目标检测中常出现的anchor box是锚框，表示固定的参考框。

目标检测是 "在哪里有什么" 的任务，在这个任务中，目标的类别不确定、数量不确定、位置不确定、尺度不确定。传统非深度学习方法和早期深度学习方法，都要金字塔多尺度+遍历滑窗的方式，逐尺度逐位置判断 "这个尺度的这个位置处有没有认识的目标" ，这种穷举的方法非常低效。

最近SOTA的目标检测方法几乎都用了anchor技术。首先预设一组不同尺度不同位置的anchor，覆盖几乎所有位置和尺度，每个anchor负责检测与其交并比大于阈值 ( 训练预设值，常用0.5或0.7 ) 的目标，anchor技术将问题转换为 "这个固定参考框中有没有认识的目标，目标框偏离参考框多远" ，不再需要多尺度遍历滑窗，真正实现了又好又快，如在Faster R-CNN和SSD两大主流目标检测框架及扩展算法中anchor都是重要部分。

YOLOV1作为Anchor-Free的鼻祖之一，但是作者在v2版本就替换为anchor方法；”真是刺鸡“，最近检测的方向返璞归真，又往Anchor-Free方向发展？ 我在YOLOv3中加入了YOLOv1的思想，实现Anchor-Free，发现效果没有下降却略有提升，这个激发了我对Anchor的一些思考。

anchor的思想有点近似SPP(spatial pyramid pooling)思想的逆向。而SPP本身是做什么的呢，就是将不同尺寸的输入resize成为相同尺寸的输出。所以SPP的逆向就是，将相同尺寸的输出，倒推得到不同尺寸的输入。首先明确anchor的位置。anchor是在原图上的区域，而不是在特征图上（也就是特征图上一个点可以对应到原图上一个n*n的区域）

但是！但是！但是！这种说法是有瑕疵的！

原因不难理解，anchor的设置，导致其在图像中对应的尺寸和长宽比例是各种各样的，有的甚至还超过了滑动窗口的 3x3 输入的感受野的范围。如果说一块 feature map 通过网络的学习，只关注感受野内某一块区域的信息，这个是合理的；而不是像SPP逆向说的那样，我们能从9块不同区域得到特征！anchor 可能比感受野大，也可能比感受野小，如果 anchor 比感受野大，就相当于只看到了我关心的区域（anchor）的一部分（感受野），通过部分判断整体，如果比感受野小，那就是我知道比我关心的区域更大的区域的信息，判断其中我关心的区域是不是物体。（这里说的是Faster—RCNN里面的anchor）

上文说的是通过RPN网络中设置的Anchor，现在检测研究的主流方向主要在one—stage方法（毕竟我们要快快快）。one-stage里面设置anchor的方式可能与上文的不一样，但是我们只需要了解Anchor的意义就能举一反三啦。

anchor主要有两个作用： 1、 anchor作为回归任务中的初始框，这样网络就只需要学习初始框和GT之间的坐标偏移量和高宽缩放量，从而 简化网络的回归任务。可以解决GT的平移问题，我觉得这个是anchor最大的作用 ，如果不用anchor而直接预测GT的绝对中心坐标和绝对高宽，或者直接预测GT的绝对左上角坐标和右下角坐标，我觉得是学不出来的，比如说，图片中有两个在不同位置，但是却具有相同类别相同高宽的GT，由于卷积是是共享权重的，所以卷积过后这两个GT对应的卷积输出应该是相同的，也就是说从这两个GT提取的特征应该是相同的，但是如果根据这两个相同的特征向量去学习不同的目标，那么就矛盾了，这样就无法学习了。 2. 有了 anchor，就可以把不同尺寸的目标分配到对应的 anchor 上，这样对应 anchor的网络权值就仅仅负责一个比较小的目标尺寸范围（几个值就能代表原图上的一个区域），同时学习过程中，是显式的通过不同的分支、路径来传递不同尺寸目标的loss， 让网络更加符合“逻辑”的得到训练 。

综上所述：anchor作用无非两点：容易是模型快速收敛，容易找到目标大小和对应的feature map。 anchor本身并不会参与到网络的运算中去，影响的只会是classification和bbox regression分支的target（训练阶段）和怎样decode box（测试阶段）。 换句话说，网络其实预测的是相对于anchor的offset，只有在最终从offset转换到bbox时，才会使用。这样的想法也很自然被各种One stage方法所吸收，将achor几乎成为标配！

anchor的作用非常非常神奇，在网络运算过程中它是不存在的，但是它就像一张无形的手

（1）Anchor的匹配

目标在那个anchor是简单粗暴的，按照谁的IOU大就归谁的方法划分．而且 anchor 本身的尺寸、比例也是人工指定的，虽然与不同level的featuremap有一定的关系，但并没有和网络结构的设计有良好的耦合（虽然 anchor可以通过数据集的聚类来获得（YOLO），但是这也只是单方面的与数据集有了耦合），实际中往往一个目标适合两个或多个anchor，是不是可以用一种更加平滑的方法来加权，而非简单粗暴的0-1选择。

（2）Anchor的放置

目前FPN架构在检测网络模型中使用的很多，anchor的放置位置也需要思考。大家广泛认为网络深层因为感受野较大，通常用来检测大物体（放大anchor）；浅层感受野较小，所以通常用来检测小物体（放小anchor），anchor的生成是根据feature map不同而定义的。在anchor match gt阶段，gt与anchor匹配，确定gt归属于哪些anchor，这个过程隐式的决定了gt会由哪层feature map负责预测。不管是生成anchor还是gt match 过程，都是由size这个变量决定，虽然我们会设定先验的规则来选择最好的feature map，但存在的问题是，仅仅利用size来决定哪些feature map来检测物体是一种不精确的做法。如下图所示，60x60大小的car和50x50大小的car被分在了不同feature map，50x50和40x40的被分在了同一级feature map，咱也不知道，这样好不好，那么何不让模型自动学习选择合适的feature 去做预测呢？（ CVPR2019 FSAF针对这一问题 ）

目前的Anchor-Free算法很多就是不用锚框改成锚点了，个人感觉就是换了个形式的anchor。不管怎么说，期待效果吧，毕竟anchor用了很多年也需要换换了。

---