yolov4 darknet 源码学习笔记（一） yolov4.cfg文件各参数含义

最新推荐文章于 2024-06-22 19:51:16 发布
最新推荐文章于 2024-06-22 19:51:16 发布
阅读量3.8k 收藏 43
点赞数 9
分类专栏： darknet 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/JimmyGoong/article/details/116528684
版权
本文详细解析了Yolov4darknet的配置文件，包括网络参数、数据增强策略、CSPnet、SPP模块和FPN结构。重点介绍了batch_size、学习率策略、CSPnet的设计以及YOLO层的配置。此外，还探讨了cutmix和mosaic数据增强技术在模型训练中的应用。
摘要由CSDN通过智能技术生成

yolov4 darknet 源码学习笔记（一）cfg文件各参数含义

paper: https://arxiv.org/abs/2004.10934
github: https://github.com/AlexeyAB/darknet
感谢AlexeyAB大神分享

[net]

网络参数模块

batch=64 # batch size
subdivisions=8 # batch size 细分，训练中每次推理batch/subdivisions（64/8）幅图片，计算loss时使用batch（64）幅累加

Training

#width=512
#height=512
width=608 # 输入图片统一尺寸为608 *608 *3
height=608
channels=3
momentum=0.949 # 动量 加速学习，特别是处理高曲率、小但一致的梯度，或是带噪声的梯度。动量算法累计之前梯度指数级衰减的移动平均，并且继续沿着该方向移动。详细公式请见《花书》第8章第三节
decay=0.0005 # 权重衰减正则项，防止过拟合
angle=0 # 旋转角度，数据增强参数
saturation = 1.5 # 数据增强参数HSV彩色模型：饱和度
exposure = 1.5 # 曝光度
hue=.1 # 色调

learning_rate=0.0013 # 学习率 ，学习率设置机制：https://zhuanlan.zhihu.com/p/28893986
burn_in=1000 # 迭代次数>burn_in*3时，使用policy策略
max_batches = 500500 # 最大迭代次数
policy=steps # 学习率调整策略：CONSTANT, STEP, EXP, POLY, STEPS, SIG, RANDOM, SGDR
steps=400000,450000
scales=.1,.1 # steps 和scales为学习率调整策略参数。当迭代到400000次时，学习率衰减10倍；当迭代到450000次时，学习率再衰减10倍

#cutmix=1 #是否使用cutmix数据增强
mosaic=1 # 是否使用mosaic数据增强

#:104x104 54:52x52 85:26x26 104:13x13 for 416

第一个卷积层

[convolutional]
batch_normalize=1 #使用batch_normalize
filters=32 #卷积核输出通道32，此层输入尺寸=608×608×3，输出尺寸=608×608×32，总共参数=333*32
size=3 #卷积核尺寸，3×3
stride=1 #卷积步长1
pad=1 # 边界填充1
activation=mish # 激活函数

Backbone中5个CSPnet层，特征图大小一次从608变为304->152->76->38->19。为避免篇幅过长，本文仅展示第一个CSPnet

CSPnet

[convolutional]
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=mish

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=mish

[route]
layers = -2

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=mish

[convolutional]
batch_normalize=1
filters=32
size=1
stride=1
pad=1
activation=mish

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=mish

[shortcut] # add层
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=mish

[route] # 等于常说的cancat层
layers = -1,-7

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=mish

End CSPnet

…
…
…
##########################

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

SPP

[maxpool]
stride=1
size=5

[route]
layers=-2

[maxpool]
stride=1
size=9

[route]
layers=-4

[maxpool]
stride=1
size=13

[route]
layers=-1,-3,-5,-6

End SPP

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

FPN

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[upsample]
stride=2

[route]
layers = 85

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[route]
layers = -1, -3

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=512
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=512
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[upsample]
stride=2

[route]
layers = 54

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[route]
layers = -1, -3

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

End FPN

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=256
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=256
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

##########################

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=256
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=255
activation=linear

YOLO 层

[yolo]
mask = 0,1,2 # 使用anchor的索引，0，1，2表示使用下面定义的anchors中的前三对anchors
anchors = 12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401
classes=80 # 类别数目
num=9 # anchors对数
jitter=.3 # 数据增强手段，缩放抖动系数，对原始图片进行宽高方向上的插值缩放(两方向上缩放系数不一定相同)
ignore_thresh = .7 # iou>ignore_thresh认为是正样本
truth_thresh = 1 # 真实框的iou值
scale_x_y = 1.2 # 为加快收敛，在anchor->预测框过程中，将中心点偏移范围0-1，映射到-0.1-1.1
iou_thresh=0.213 # 如果某个真实框和某个anchor的iou大于此阈值，则这个anchor负责预测这个真是框
cls_normalizer=1.0 # 计算分类损失的正则化系数，计算分类梯度时的衰减系数
iou_normalizer=0.07 # 计算边界回归损失的正则化系数，计算边界回归梯度时的衰减系数
iou_loss=ciou # 边界框回归损失函数，支持: MSE, IOU Loss, GIOU Loss, DIOU Loss, CIOU Loss.
nms_kind=greedynms # nms种类，支持：CORNERS_NMS，GREEDY_NMS，DIOU_NMS
beta_nms=0.6 # diou_nms 超参
max_delta=5 # 在iou loss 不是MSE时（iou loss: IOU, GIOU, MSE, DIOU, CIOU)，dx, dy, dh, dw的取值范围[-max_delta, max_delta]

PAN

[route]
layers = -4

[convolutional]
batch_normalize=1
size=3
stride=2
pad=1
filters=256
activation=leaky

[route]
layers = -1, -16

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

End PAN

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=512
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=512
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=512
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=255
activation=linear

[yolo]
mask = 3,4,5
anchors = 12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401
classes=80
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
scale_x_y = 1.1
iou_thresh=0.213
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
nms_kind=greedynms
beta_nms=0.6
max_delta=5

PAN

[route]
layers = -4

[convolutional]
batch_normalize=1
size=3
stride=2
pad=1
filters=512
activation=leaky

[route]
layers = -1, -37

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

End PAN

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=255
activation=linear

[yolo]
mask = 6,7,8
anchors = 12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401
classes=80
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1 # 是否使用随机多尺度训练
scale_x_y = 1.05
iou_thresh=0.213
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
nms_kind=greedynms
beta_nms=0.6
max_delta=5

如有错误欢迎指出，谢谢观看！

mzgong
关注
  • 9
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLO-Darknet实战（六）yolov4-tiny.cfg文件配置与解释
不积跬步，无以至千里！
05-24 1554
YOLO-Darknet最强实战教程！
基于YOLOV3的通用物体检测项目实战---（4）DarkNet框架解读及相关配置说明（笔记）
奔跑的小仙女
06-12 915
YOLO V3检测模型的训练 具体的修改文件：https://blog.csdn.net/qq_43211132/article/details/90640540 这里比较全，比较系统。但这个是voc数据集格式 Darknet文件结构： src/include/obj 存放了darknet源码以及经过源码编译过的文件 cfg data 也就是coco数据集放到了data下面 script...
深度学习模型试跑(四):yolov4
qq_33642342的博客
05-22 2512
一.模型解读 这个现在太火了，蹭个热度写一下！###待完成的项目 官方代码 我这回打算详细分析一下，具体是根据这个tf版来写,因为这个项目还复现了trt版本! 需要weight的可以到我百度云里面下载:提取码:hwht 二.试跑效果 测试环境： 机器 : Dell T5820服务器 GPU: Nvidia P4000 cuda: 10.1 cudnn: 7.5 关键库: ## 测试单张图片 python detect.py --weights ./data/yolov4.weights --fr
YoLo_V4模型训练过程
m0_49963403的博客
05-29 1540
说明YoLo V4模型的训练过程
YOLOv4模型测试（基于Darknet）
最新发布
qq_42591591的博客
06-22 1292
此小结记录在Windows 10 上进行YOLOv4模型的测试，在测试之前需根据电脑配置安装相应的CUDA和cuDNN。以上针对Yolov4进行了一个简单的测试，在测试过程中参考了以下博客，文章，有需要的可以通过下方传送门进行详细了解。基于Darknet的YOLOv4目标检测Yolov4论文：《Yolov4: Optimal Speed and Accuracy of Object Detection》
YOLOv4的cfg参数及训练
Ken的博客
07-30 1万+
cfg参数 net层 [net] batch=96 # 每次iteration训练的时候，输入的图片数量 subdivisions=48 # 将每一次的batch数量，分成subdivision对应数字的份数，一份一份的跑完后，在一起打包算作完成一次iteration width=512 # width=height，大小为32的倍数 momentum=0.9 # 动量，影响梯度下降到最优的速度，一般默认0.9 decay=0.0005 # 权重衰减正则系数，防止过拟合 angle=0 # 旋转角度，生成更
【YOLOV4】YOLOV4-DarkNet源码解读
Gorgeous_wxd
05-31 858
文章目录YOLO中相关的数据结构与各种框有关YOLO中各种IoU的计算简单的IoU YOLO中相关的数据结构 与各种框有关 // x,y 分别代表框的中心点坐标 // w,h 分别代表框的宽度和高度 typedef struct box{ float x,y,w,h; }box; YOLO中各种IoU的计算 简单的IoU float overlab(float x1, float w1,float x2, float w2){ float l1 = x1 - w1/2; // 左侧端点 float
Yolov4 cfg参数解读
Eagle的博客
10-24 5266
yolov4.cfg — net 层 batch=16 # 每次batch训练时样本数量 subdivisions=16 # 将每一次batch的数量，分成subdivisions对应的数字的份数 #Training #width=512 #height=512 width=608 # 网络的宽度，所以训练和检测期间，每张图片将会resize成网络的宽度（一般为32的倍数） height=608 # 网络的高度，所以训练和检测期间，每张图片将会resize成网络的宽度（一般为32的倍数） channels=
yolo系列配置文件解析，内容来自官方
weixin_45209433的博客
09-15 1110
yolo系列配置文件解析
Darknet YoloV3/V4中cfg文件参数说明和理解
Color Space的博客
06-09 2097
具体解释可以参考下面这篇文章，写的很不错，这里做备份方便后续查阅。 https://blog.csdn.net/phinoo/article/details/83022101
使用和训练YOLOv4，window+darknet+opencv+vs2019+yolomark+cuda+cudnn
qq_38720453的博客
04-15 742
记录一下训练和使用yolov4的过程。包括前期的部署 参考了很多博文和AB大神官网的教程，这边就不列出了。但是会给出我认为很详细的B站视频教程，作为备忘。 实际上yolov4在opencv4.4以后的版本都已经支持，所以调用可以直接用opencv，但是训练还是需要darknet，这个过程省不了。 我自己记录的过程比较繁复，并且上传不了图，所以我把中间参考过的很有用的连接放在下面： https://www.bilibili.com/video/BV1FT4y1E74V?p=119 ——...
YOLOv4三个文件
05-09
包含yolov4.weights、yolov4.conv.137、yolov4.cfg ，无积分的可以关注微AI_starting 回复yolov4即可获取网盘链接
【darknet 学习笔记-02】目标检测test_detector源码分析
CVer
04-09 3498
在01中已经实现了对图片中的物体的检测与识别，本节分析目标检测test_detector的执行过程，对源码进行分析。 终端输入的命令如下，本节即分析该命令的执行过程。 ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg darknet的主程序入口在darknet/example/darknet.c 中，在01中我们打印出来...
基于YOLOV3的通用物体检测项目实战---（5）利用DarkNet框架进行YOLOV3模型训练实操（笔记）
奔跑的小仙女
06-14 2190
cfg文件夹： coco.data是能用到的配置文件 [net] # Testing #测试模式 batch=1 subdivisions=1 # Training #训练模式 每次前向图片的数目=batch/subdivisions # batch=64 #关于batch与subdivision： ...
yolov3学习笔记（一）yolov3的配置实现与mAP的计算
yinhuan1649的博客
09-01 1万+
欢迎使用Markdown编辑器写博客 本Markdown编辑器使用[StackEdit][6]修改而来，用它写博客，将会带来全新的体验哦： Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图 离线写博客 导入导出Markdown文件 丰富的快捷键 快捷键 加粗 Ctrl + B 斜体 Ctr...
yolov4训练指令参数含义与选择
Android_huishao的博客
06-03 1496
./darknet detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137
神经网络中的参数解读
热门推荐
yudiemiaomiao的博客
05-17 2万+
1.Batch_Size(批尺寸) 该参数主要用于批梯度下降算法(Batch Gradient Descent)中，批梯度下降算法是每次迭代都遍历批中的所有样本，由批中的样本共同决定最优的方向，Batch_Size 正是批中的样本数量。 若数据集比较小，可以采用全数据集(Full Batch Learning)的形式，由全数据确定的方向能更好地代表样本总体，从而更准确地朝向极值所在的方向；但该种
Yolov4 cfg解读
程序猿的视界
01-21 1562
1、卷积层 [convolutional] batch_normalize=1 filters=32 size=3 stride=1 pad=1 activation=mish # Downsample [convolutional] batch_normalize=1 filters=64 size=3 stride=2 pad=1 activation=mish 2、Shortcut和Route层 shortcut在cfg中的内容都是一样的 [shortcut] from=-3 ac
YOLOv4输出日志的含义
m0_54169172的博客
03-03 1084
YOLOv4输出日志的含义
matlab yolov4 darknet
06-25
### 回答1： MATLAB是一种功能强大的数学计算软件，支持深度学习和计算机视觉开发。而YOLOv4是一种在计算机视觉领域被广泛使用的目标检测算法，并且是当前性能最好的目标检测算法之一。而Darknet则是一个由YOLOv4作者开发的开源深度学习框架，它支持YOLOv4等多种神经网络模型。 在MATLAB中，通过使用深度学习工具箱，可以轻松地训练和测试YOLOv4神经网络模型。此外，MATLAB还提供了很多辅助工具，如数据分析、图像预处理、图像增强等，这些工具可以帮助用户更好地处理图像数据，提高模型的精度和效率。此外，MATLAB还支持可视化工具，以便用户更直观地了解模型的性能和结果。 使用Darknet可以轻松地搭建YOLOv4神经网络模型，并进行训练和部署。Darknet提供了可视化工具来检查神经网络结构和各种层的输出，这有助于用户理解模型和以更好的方式进行训练和优化。此外，Darknet还提供了广泛的文档和示例代码，使用户可以逐步了解如何使用这个框架来进行深度学习开发。 总之，MATLAB和Darknet都是非常强大的工具，可以帮助用户轻松地开发和优化YOLOv4模型。通过结合这两个工具，可以实现更高效、准确和稳定的目标检测功能。 ### 回答2： Matlab YOLOv4 Darknet是基于深度学习的目标检测算法和工具，可用于图像分析和计算机视觉应用。该工具基于循环神经网络实现的YOLOv4模型和开源神经网络框架Darknet，可以检测和识别多个物体类型，包括人、车、动物、建筑物等。与传统的目标检测算法相比，YOLOv4具有更高的准确性和速度，对于大规模数据和复杂场景的处理效果更加优秀。 Matlab YOLOv4 Darknet不仅提供了基于预训练模型的目标检测功能，还支持用户自定义数据集和模型训练。用户可以通过提供图像数据集和标注信息，进行训练模型并优化模型参数，以满足特定应用场景的要求。此外，Matlab YOLOv4 Darknet还具备可视化功能，可以直观地展示神经网络的结构、模型训练和测试结果等。 总之，Matlab YOLOv4 Darknet是一种功能强大的目标检测工具，可以满足研究、开发和生产等不同领域的需求。它的应用范围包括智能交通、安防监控、医学影像等多个行业，对于提高数据处理和视觉分析的可靠性和效率有着重要作用。 ### 回答3： Yolov4是一种基于深度学习技术的目标检测算法，它能够快速且准确地识别图像中的不同物体，并对它们进行分类。同时，利用深度卷积神经网络的优点，Yolov4能够处理复杂的图像场景，完成精准的目标检测任务。 在实现Yolov4算法时，Matlab和Darknet是两个常用的工具。Matlab是一种面向科学计算的高级编程语言，拥有强大的图像处理和深度学习库，可以快速开发复杂的算法。Darknet则是一个轻量级的深度学习框架，适用于处理大量的图像数据，具有优秀的性能和高效的计算速度。 使用Matlab和Darknet来实现Yolov4算法能够带来多方面的好处。这两个工具都拥有许多可用的函数和库，可以快速构建和训练深度卷积神经网络。Matlab还可以通过可视化的方式来展示算法的结果和性能，帮助用户更好地理解和分析数据。而Darknet则具有高效的并行计算能力，可以处理大量的图像数据，适用于需要高效处理数据的场景。 总之，使用Matlab和Darknet来实现Yolov4算法是一种高效且准确的方式，可以支持大量的图像处理和深度学习任务，并能够在不同的场景中获得优秀的性能表现。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值