使用YOLO训练自己的数据样本经验总结

YOLO近一年多新出的一种object detection的方法，关于目标检测及YOLO的介绍可参见：基于深度学习的目标检测研究进展 ， CVPR2016目标检测之识别效率篇：YOLO, G-CNN, Loc-Net ，RCNN学习笔记(6)：You Only Look Once(YOLO):Unified, Real-Time Object Detection。
1. 好，现在我们使用yolo一般是想训练自己的数据集然后识别自己想要detect的object，因为YOLO程序本身是以VOC2012 dataset为样本来训练并识别的，详见官网YOLO: Real-Time Object Detection。
2. 关于自己训练这块，官网没有做太多说明，这里有个不错的教程: Start Training YOLO with Our Own Data 。上边有一个比较小的数据样本，而且都标注好了，方便测试。这里提一下如果自己标注并转换到规范格式的话，注意convert.py本身是不完善的，每标记一类object都需要修改部分代码，尤其类别一定要记的更改，也可参考 yolo的训练和测试 。
3. 具体操作过程中我本来用的guanghan fork的github代码，然后一直是Nan 的问题。最后掉头使用了官方的github库，一次运行成功（现在还在运行，哈哈）。所以还是建议用官方的源代码吧，毕竟也在不断update，guanghan的应该是不怎么更新了，不过也有必要下下来试一试。
4. 出现NaN 问题期间一直在那儿调试（发现自己在调试时还是偏爱printf，哈哈，技术拙略吧），也算是对源代码更熟悉了一点。源代码从yolo.c看起，然后是network.c 、data.h 啥的，可以使用grep 'str_tofind' -nr . 在当前文件夹中递归查找字符出现的位置。还有就是有问题尽量先从官方资料里找，readme文件中有链接其google group 。我就是顺着这里看了一遍最后还是没有找到解决方法，就从新安装了darknet进行尝试了。
5. 其他问题，比如我这里比较悲催，没有配置GPU的大电脑，只有一块nvidia的TX1板。内存比较小，很容易崩，这一点就需要不断调整batch和subdivisions了，不啰嗦了。另外也经常会用到sudo sysctl -w vm/drop_caches=3 释放内存, free -m 查看内存使用情况， ~/tegrastats 查看硬件使用情况等命令。
6. 现在还只是处于训练状态，后面应该还会遇到其他问题，再补充。

如图训练过程中，参数IOU代表预测目标位置的准确性，越接近1越好；每个batch之后会输出loss和avg loss，其值越小越好。