深度学习训练总结及注意事项-简化版

注：1. 制作标签，必须用jpg文件
2. 文件夹改名换位置后，程序需要重新修改
3. 文件名不能带空格
4. 可以统一更换后缀名
5. 图片名和标签名要一一对应，打完标签不要随便动，检查生成的label文件
6.打标签之前要把没用的照片删除
7.看打完标签是否保存
8.没有打的图片不要保存
9. 测试的时候val文件类别要修改（训练结果不好，关键所在）
10.重新聚类生成anchors

流程：
修改makefle文件，算力的代码修改成自己显卡的算力

1. 标签放好（注意rename.py）
   1.1 生成Main目录下的txt文件
   1.2 voc_label.py, 修改classes（运行的时候有时候出问题，复制一个好的过来，多改改）

2. 配置
   2.1修改cfg/voc.data
   2.2 修改cfg/yolov3-voc.cfg
   filters = 3*(5+classes数目) classes = 本次训练目标数
   修改max_batches（作者声明最好是2000*训练目标个数，但不要小于4000）和steps（max_batches的80%，90%，降低学习率阈值）
   当GPU显存比较小时将subdivisions调大batch/subdivisions的值为训练时一次传入训练的图片）

   2.3 修改data/voc.names

3. 训练：
   ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg_train darknet53.conv.74
   当avg低于0.06时即可停止训练了（尽量低）
   训练的loss降至0.1以下就可以进行测试了

4. 测试（遇到的问题：没框，阈值问题，训练时间不够）
   ./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg_val backup/yolo3-100.weights -thresh 0.1 置信度阈值 显示置信度在10%以上的 bbox

-thresh 0.25
5.4 训练完后，对模型进行微调微调继续训练新数据样本
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg_train backup/yolov3-voc.backup -gpus 0 -clear
这样重新训练的模型就是在原模型微调的基础上训练的结果,这样模型的收敛速度较快,迭代次数将从0开始计算.

学习率：如果是两个gpu则，0.001/2