修改YOLOv3-tiny结构之后

1.为了提高tiny的识别精度，利用11卷积层在原YOLOv3-tiny的基础上做了一些修改，增加了卷积深度；
具体是在每个33卷积层后加入了4个33和11卷积层，然后调整YOLO层的相加层数（route）

2.在voc数据集上进行训练，起初训练了50200之后，测试能出图，但是不出框；
分析：
1）终端输出loss在一段时间内一直徘徊在1.6-1.7之间，不进不退，怀疑是学习率设置不对，于是修改为在20000，40000，45000次迭代时减少学习率，重新开始训练；；
2）训练到40000次左右，loss还是出现徘徊的情况，重新测试，出现了coco数据集上才有的类别，感到很奇怪；
3）后来发现是因为上一次检测的默认类别是coco的80个类别的顺序，同样的类别序号对应的具体类别不一样，但是识别概率是一样的，于是将原简短的测试指令：

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

替换成完整的测试指令，并使用data/voc.data

./darknet detector test cfg/voc.data cfg/yolov3-tiny.cfg yolov3-tiny.backup data/dog.jpg

出现了正常的结果，此外test时，要将cfg改成test模式。


GPU版本测试效果上测试效果。
如果在GPU上设置thresh值之后，依然无法出框，可以尝试在cpu版本的darknet上测试，中间不是很明白，所以搜索了解决办法，感觉可以试试
虽然出结果了，但是识别率只有可怜的0.5左右，于是准备再训练50000次，看看效果怎么样。

因为是初学者，可能对我有用，如果有更好的办法，也欢迎交流。