yolo配置文件的参数说明和reorg层的理解！

yolo配置文件的参数说明和reorg层的理解！

原创 2017年09月19日 17:31:50

• 
  

1、yolo V2配置文件的说明：

[cpp] view plain copy

1. [net]  
2. batch=64                           每batch个样本更新一次参数。  
3. subdivisions=8                     如果内存不够大，将batch分割为subdivisions个子batch，每个子batch的大小为batch/subdivisions。  
4.                                    在darknet代码中，会将batch/subdivisions命名为batch。  
5. height=416                         input图像的高  
6. width=416                          Input图像的宽  
7. channels=3                         Input图像的通道数  
8. momentum=0.9                       动量  
9. decay=0.0005                       权重衰减正则项，防止过拟合  
10. angle=0                            通过旋转角度来生成更多训练样本  
11. saturation = 1.5                   通过调整饱和度来生成更多训练样本  
12. exposure = 1.5                     通过调整曝光量来生成更多训练样本  
13. hue=.1                             通过调整色调来生成更多训练样本  
14.   
15. learning_rate=0.0001               初始学习率  
16. max_batches = 45000                训练达到max_batches后停止学习  
17. policy=steps                       调整学习率的policy，有如下policy：CONSTANT, STEP, EXP, POLY, STEPS, SIG, RANDOM  
18. steps=100,25000,35000              根据batch_num调整学习率  
19. scales=10,.1,.1                    学习率变化的比例，累计相乘  
20.   
21. [convolutional]  
22. batch_normalize=1                  是否做BN  
23. filters=32                         输出多少个特征图  
24. size=3                             卷积核的尺寸  
25. stride=1                           做卷积运算的步长  
26. 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  
27. activation=leaky                   激活函数：  
28.                                    logistic，loggy，relu，elu，relie，plse，hardtan，lhtan，linear，ramp，leaky，tanh，stair  
29.   
30. [maxpool]  
31. size=2                             池化层尺寸  
32. stride=2                           池化步进  
33.   
34. [convolutional]  
35. batch_normalize=1  
36. filters=64  
37. size=3  
38. stride=1  
39. pad=1  
40. activation=leaky  
41.   
42. [maxpool]  
43. size=2  
44. stride=2  
45.   
46. ......  
47. ......  
48.   
49.   
50. #######  
51.   
52. [convolutional]  
53. batch_normalize=1  
54. size=3  
55. stride=1  
56. pad=1  
57. filters=1024  
58. activation=leaky  
59.   
60. [convolutional]  
61. batch_normalize=1  
62. size=3  
63. stride=1  
64. pad=1  
65. filters=1024  
66. activation=leaky  
67.   
68. [route]                            这是指用当前层减去9得到的那一层来进行特征组合  
69. layers=-9  
70.   
71. [reorg]          这里是把上面得到大分辨率的特征图以什么方式组合到当前层，成为当前层的特征。其中stride的值要根据大分辨率特征图跟当前层来确定的  
72. stride=2  
73.   
74. [route]  
75. layers=-1,-3  
76.   
77. [convolutional]  
78. batch_normalize=1  
79. size=3  
80. stride=1  
81. pad=1  
82. filters=1024  
83. activation=leaky  
84.   
85. [convolutional]  
86. size=1  
87. stride=1  
88. pad=1  
89. filters=125                        region前最后一个卷积层的filters数是特定的，计算公式为filter=num*(classes+5)   
90.                                    5的意义是5个坐标，论文中的tx,ty,tw,th,to  
91. activation=linear  
92.   
93. [region]  
94. anchors = 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52          预选框，可以手工挑选，  
95.                                                                                 也可以通过k means 从训练样本中学出  
96. bias_match=1  
97. classes=20                         网络需要识别的物体种类数  
98. coords=4                           每个box的4个坐标tx,ty,tw,th  
99. num=5                              每个grid cell预测几个box,和anchors的数量一致。当想要使用更多anchors时需要调大num，且如果调大num后训练时Obj趋近0的话可以尝试调大object_scale  
100. softmax=1                          使用softmax做激活函数  
101. jitter=.2                          通过抖动增加噪声来抑制过拟合  
102. rescore=1                          暂理解为一个开关，非0时通过重打分来调整l.delta（预测值与真实值的差）  
103.   
104. object_scale=5                     栅格中有物体时，bbox的confidence loss对总loss计算贡献的权重  
105. noobject_scale=1                   栅格中没有物体时，bbox的confidence loss对总loss计算贡献的权重  
106. class_scale=1                      类别loss对总loss计算贡献的权重                        
107. coord_scale=1                      bbox坐标预测loss对总loss计算贡献的权重  
108.   
109. absolute=1  
110. thresh = .6  
111. random=0                           random为1时会启用Multi-Scale Training，随机使用不同尺寸的图片进  

2、reorg层的理解:

其输出的网络结构：

[cpp] view plain copy

1. layer     filters    size              input                output  
2.     0 conv     32  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  32  
3.     1 max          2 x 2 / 2   416 x 416 x  32   ->   208 x 208 x  32  
4.     2 conv     64  3 x 3 / 1   208 x 208 x  32   ->   208 x 208 x  64  
5.     3 max          2 x 2 / 2   208 x 208 x  64   ->   104 x 104 x  64  
6.     4 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128  
7.     5 conv     64  1 x 1 / 1   104 x 104 x 128   ->   104 x 104 x  64  
8.     6 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128  
9.     7 max          2 x 2 / 2   104 x 104 x 128   ->    52 x  52 x 128  
10.     8 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  
11.     9 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  
12.    10 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  
13.    11 max          2 x 2 / 2    52 x  52 x 256   ->    26 x  26 x 256  
14.    12 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  
15.    13 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  
16.    14 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  
17.    15 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  
18.    16 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  
19.    17 max          2 x 2 / 2    26 x  26 x 512   ->    13 x  13 x 512  
20.    18 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  
21.    19 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  
22.    20 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  
23.    21 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  
24.    22 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  
25.    23 conv   1024  3 x 3 / 1    13 x  13 x1024   ->    13 x  13 x1024  
26.    24 conv   1024  3 x 3 / 1    13 x  13 x1024   ->    13 x  13 x1024  
27.    25 route  16                                                             //指的是第16层  
28.    26 reorg              / 2    26 x  26 x 512   ->    13 x  13 x2048       //把16层网络进行重整  
29.    27 route  26 24                                                          //指的是进行融合的网络  
30.    28 conv   1024  3 x 3 / 1    13 x  13 x3072   ->    13 x  13 x1024  
31.    29 conv    125  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 125  
32.    30 detection