darknet yolo v3 cfg文件及训练过程中参数解析

一：cfg文件参数解析;参考：https://www.cnblogs.com/hls91/p/10911997.html

二：训练参数解析：

batch:每轮迭代随机选取的样本数量

subdivision:为了减少显存压力，将每个batch分为subdivision组，意味着将一轮迭代中，分subdivision次将图片输入网络进行训练，（即每次送入网络batch/subdivision张图片）

• 9798： 指示当前训练的迭代次数

• 0.370096： 是总体的Loss(损失）

• 0.451929 avg： 是平均Loss，这个数值应该越低越好，一般来说，一旦这个数值低于0.060730 avg就可以终止训练了。

• 0.001000 rate： 代表当前的学习率，是在.cfg文件中定义的。

• 3.300000 seconds： 表示当前批次训练花费的总时间。

• 627072 images： 这一行最后的这个数值是9798*64的大小，表示到目前为止，参与训练的图片的总量

 IOU（交集比并集）是一个衡量我们的模型检测特定的目标好坏的重要指标。100%表示我们拥有了一个完美的检测，即我们的矩形框跟目标完美重合。很明显，我们需要优化这个参数。

 

• Region Avg IOU: 0.326577： 表示在当前subdivision内的图片的平均IOU，代表预测的矩形框和真实目标的交集与并集之比，这里是32.66%，这个模型需要进一步的训练。

• Class: 0.742537： 标注物体分类的正确率，期望该值趋近于1。

• Obj: 0.033966： 越接近1越好。

• No Obj: 0.000793： 期望该值越来越小，但不为零。

• Avg Recall: 0.12500： 是在recall/count中定义的，是当前模型在所有subdivision图片中检测出的正样本与实际的正样本的比值。在本例中，只有八分之一的正样本被正确的检测到。

• count: 8：count后的值是所有的当前subdivision图片（本例中一共8张）中包含正样本的图片的数量。在输出log中的其他行中，可以看到其他subdivision也有的只含有6或7个正样本，说明在subdivision中含有不含检测对象的图片。

 

  0     7     7       RPs/Img: 8.00   IOU: 70.84%     Recall:100.00%
    1    10    10       RPs/Img: 6.00   IOU: 73.57%     Recall:100.00%
    2    13    13       RPs/Img: 6.33   IOU: 72.75%     Recall:100.00%
    3    19    19       RPs/Img: 6.50   IOU: 72.04%     Recall:100.00%
    4    21    23       RPs/Img: 6.00   IOU: 66.62%     Recall:91.30%
    5    25    28       RPs/Img: 6.00   IOU: 66.24%     Recall:89.29%
    6    31    34       RPs/Img: 6.14   IOU: 66.07%     Recall:91.18%
    7    38    41       RPs/Img: 6.25   IOU: 67.08%     Recall:92.68%
    8    41    45       RPs/Img: 6.11   IOU: 66.73%     Recall:91.11%
    9    44    48       RPs/Img: 5.90   IOU: 66.44%     Recall:91.67%
   10    48    52       RPs/Img: 5.82   IOU: 67.48%     Recall:92.31%
   11    50    54       RPs/Img: 5.50   IOU: 67.57%     Recall:92.59%

 Number Correct Total Rps/Img IOU Recall 
     1. Number 第几张图片
     2. Correct表示正确的识别除了多少bbox，大于预设值的 通过计算IOU,输入一张图片
     3. Total表示实际有多少个bbox
     4. Rps/img表示平均每个图片会预测出来多少个bbox
     5. IOU： 这个是预测出的bbox和实际标注的bbox的交集 除以 他们的并集。显然，这个数值越大，说明预测的结果越好。
     6. Recall召回率， 意思是检测出物体的个数 除以 标注的所有物体个数。通过代码我们也能看出来就是Correct除以Total的值。