YOLO中cfg文件参数详解
1. cfg文件参数解释
以YOLO v3
为例详细解释cfg
文件各参数的含义:
[net] #[xxx]开始的行表示网络的一层,其后的内容为该层的参数配置,[net]为特殊的层,配置整个网络
# Testing #测试模式 #初始batch参数要分为两类,分别为训练集和测试集,不同模式相应放开参数
batch=1
subdivisions=1
# Training #训练模式 每次前向图片的数目=batch/subdivisions
# batch=64 #batch:一批训练样本的样本数量. 每batch个样本更新一次参数
# subdivisions=16 #关于batch与subdivision:在训练输出中,训练迭代包括8组,这些batch样本又被平均分成subdivision=8次送入网络参与训练,以减轻内存占用的压力
#batch越大,训练效果越好,subdivision越大,占用内存压力越小
#batch/subdivisions作为一次性送入训练器的样本数量
#如果内存不够大,将batch分割为subdivisions个子batch
#(subdivisions相当于分组个数,相除结果作为一次送入训练器的样本数量)
#注意:上面这两个参数如果电脑内存小,则把batch改小一点,batch越大,训练效果越好
#Subdivisions越大,可以减轻显卡压力(分组数目越多,每组样本数量则会更少,显卡压力也会相应减少)
width=416 #网络输入的宽
height=416 #网络输入的高
channels=3 #网络输入的通道数
#这三个参数中,要求width==height, 并且为32的倍数,大分辨率可以检测到更加细小的物体,从而影响precision
#以上三个参数为输入图像的参数信息 width和height 影响网络对输入图像的分辨率,从而影响precision,只可以设置成32的倍数(由于使用了下采样参数是32,所以不同的尺寸大小也选择为32的倍数{320,352…..608},最小320*320,最大608*608,网络会自动改变尺寸,并继续训练的过程。)
momentum=0.9 #动量,影响梯度下降到最优的速度,一般默认0.9
#DeepLearning中最优化方法中的动量参数,这个值影响着梯度下降到最优值得速度
#注:SGD方法的一个缺点是其更新方向完全依赖于当前batch计算出的梯度,因而十分不稳定。Momentum算法借用了物理中的动量概念,它模拟的是物体运动时的惯性,即更新的时候在一定程度上保留之前更新的方向,同时利用当前batch的梯度微调最终的更新方向。这样一来,可以在一定程度上增加稳定性,从而学习地更快,并且还有一定摆脱局部最优的能力
decay=0.0005 #权重衰减正则系数,防止过拟合, 正则项往往有重要意义
#增加样本的数量,改变基础样本的状态. 增加样本整体的数量减少过拟合
angle=0 #旋转角度,从而生成更多训练样本
saturation = 1.5 #调整饱和度,从而生成更多训练样本
exposure = 1.5 #调整曝光度,从而生成更多训练样本
hue=.1 #调整色调,从而生成更多训练样本
learning_rate=0.001 #学习率 ,决定了权值更新的速度. 学习率大,更新的就快,但太快容易越过最优值; 而学习率太小又更新的慢,效率低.
#一般学习率随着训练的进行不断更改,先高一点,然后慢慢降低,一般在0.01--0.001
#学习率决定着权值更新的速度,设置得太大会使结果超过最优值,直接错过最优值,震荡回去,太小会使下降速度过慢,导致收敛过慢。
#如果仅靠人为干预调整参数,需要不断修改学习率。刚开始训练时可以将学习率设置的高一点,而一定轮数之后,将其减小。
#在训练过程中,一般根据训练轮数设置动态变化的学习率。
#[基本训练守则]
#刚开始训练时:学习率以 0.01 ~ 0.001 为宜。
#一定轮数过后:逐渐减缓
#接近训练结束:学习速率的衰减应该在100倍以上。
burn_in=1000 #学习率控制的参数,在迭代次数小于burn_in时,其学习率的更新有一种方式,大于burn_in时,才采用policy的更新方式
max_batches = 500200 #迭代次数,1000次以内,每训练100次保存一次权重; 1000次以上,每训练10000次保存一次权重; 训练达到max_batches后停止学习
policy=steps #学习率策略,学习率下降的方式
#这个是学习率调整的策略,有policy:constant, steps, exp, poly, step, sig, RANDOM,constant等方式
#constant: 保持学习率为常量,caffe里为fixed
#steps: 比较好理解,按照steps来改变学习率
steps=400000,450000 #学习率变动步长 #Steps和scales相互一一对应, 这两个参数是设置学习率的变化, 根据batch_num调整学习率
scales=.1,.1 #学习率变动因子
#如迭代到40000次时,学习率衰减十倍; 45000次迭代时,学习率又会在前一个学习率的基础上衰减十倍
[convolutional] #卷积层
batch_normalize=1 #BN, 是否做BN归一化操作
filters=32 #卷积核数目, 输出特征图的数量
size=3 #卷积核尺寸
stride=1 #做卷积运算的步长
pad=1 #如果pad为0,padding由padding参数指定
#如果pad为1,padding大小为size/2,padding应该是对输入图像左边缘拓展的像素数量
activation=leaky #激活函数类型: logistic,loggy,relu,elu,relie,plse,hardtan,lhtan,linear,ramp,leaky,tanh,stair
# Downsample #以下为训练网络结构
[convolutional]
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=32
size=1
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky
[shortcut] #shotcut层配置说明。shortcut部分是卷积的跨层连接,就像Resnet中使用的一样
#借鉴了resnet网络的shortcut方式可以加深网络
#输入与输出:输入与输出一般保持一致,并且不进行其他操作,只是求差。
#处理操作:res层来源于resnet,为了解决网络的梯度弥散或者梯度爆炸的现象,提出将深层神经网络的逐层训练改为逐阶段训练,将深层神经网络分为若干个子段,每个小段包含比较浅的网络层数,然后用shortcut的连接方式使得每个小段对于残差进行训练,每一个小段学习总差(总的损失)的一部分,最终达到总体较小的loss,同时,很好的控制梯度的传播,避免出现梯度消失或者爆炸等不利于训练的情形。
from=-3 #参数from是−3,意思是shortcut的输出是通过与先前的倒数第三层网络相加而得到, 跨越连接
activation=linear
# Downsample
[convolutional]
batch_normalize=1
filters=128
size=3
stride=2
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky
[shortcut]
from=-3
activation=linear
[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky
[shortcut]
from=-3
activation=linear
# Downsample
[convolutional]
batch_normalize=1
filters=256
size=3
stride=2
pad=1
activation