pytorch 从头开始YOLOV3（二）：训练模型

1.基本流程

pytorch在训练过程有一个很基本的流程,正常情况下就按这个流程就能够训练模型:

1.加载模型,2初始化数据,3.预定义优化器,4.训练

    # 模型加载
    model = Darknet(opt.model_config_path)
    # pytroch函数 Module.apply 对所有子模型初始化
    # https://pytorch.org/docs/stable/nn.html?highlight=apply#torch.nn.Module.apply
    model.apply(weights_init_normal)
    if torch.cuda.is_available() and opt.use_cuda:
        model = model.cuda()

    # 优化器
    optimizer = torch.optim.Adam(
        filter(lambda p: p.requires_grad, model.parameters()))

    for epoch in range(opt.epochs):
        for ii, (_, imgs, targets) in tqdm(enumerate(dataloader)):
            imgs = imgs.cuda()
            targets = targets.type(torch.cuda.FloatTensor)
            optimizer.zero_grad()
            loss = model(imgs, targets)
            loss.backward()
            optimizer.step()

2.模型

本图引用:https://blog.csdn.net/leviopku/article/details/82660381

yolov3采用了配置文件来构制网络层,由于yolov3较大的网络层数目,由配置文件来编写网络层可以使得代码量少很多.配置文件中每个网络块都有一个题名,按照题名划分来构建网络层.一共六种模块,对应与yolov3网络的不同结构

def create_modules(module_defs):
    # yolov3网络使用了非常多的卷积层,为了减少构建模型的麻烦,
    # 原作者使用配置文件来辅助构建网络,减小了模型构建所需要的代码量
    hyperparams = module_defs.pop(0)
    output_filters = [int(hyperparams["channels"])]
    module_list = nn.ModuleList()  # 模型序列
    for i, module_def in enumerate(module_defs):
        modules = nn.Sequential()  # 子序列 代表一个子结构
        if module_def["type"] == "convolutional":  # 卷积块 conv bn leaky
            bn