验证性试验：yolov3训练coco数据集

Yolov3 中作者列出了使用coco数据集训练的数据结果，其中显示在输入图片大小为416x416的时候，模型的mAP大小为31%，当输入图片大小为608x608的时候，模型的mAP达到33%，论文中结果截图如下：

 

 

我们做了个实验，目的是验证当我们自己训练的时候能否达到论文中的给出的结果，判断我们平时训练的方法是否有问题。

这里使用了3块TITAN X显卡进行实验，batch设置为128，subdivision为32，其他max_batches没有改，按原来的设为500200，其他的不变。计算mAP使用的是cocoAPI（估计作者也是用的这个，使用detector valid这个命令可以直接将测试结果生成为cocoAPI所需要的json格式，thresh设置为0.001）

1、前期训练：

./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74 -gpus 0,1,2 | tee -a yolov3-coco-log.txt

PS:   保存log会拖慢训练的速度 

然后提取log中的loss，解析并画出loss的曲线，曲线如下：

 

可以看到训练到后面的时候loss 基本就不在降低了，但是模型的mAP 只有25左右，远远还没达到论文中写的31%

 

2、不保存log，边训练边测试mAP

测试的结果如下：

Steps	AP	AP50	AP75	APS	APM	APL
105700	26	50.1	24.8	9.3	27.3	40.5
120000	26.7	50	26.6	9.9	28	41.3
123000	26.4	50.3	25.4	9.3	28	40.5
126000	26.9	50.7	26.3	10	28.8	41.3
129000	26.1	49.3	25.2	9.6	28	39.7
132000	26.7	50.5	25.8	10.6	28.7	39.9
135000	26.6	50.8	25.4	9.8	28	41.3
136600	25.8	48.5	24.9	8.9	27.8	40.1
139300	26.8	50.7	25.9	9.9	28.7	41.8
139500	26.6	50.2	25.8	10	27.5	42.3
141000	27.2	50.9	26.8	10.7	28.6	42
144500	26.2	51.5	24.2	11	28.5	39.1
148500	27.1	51.1	26.3	10.2	29.1	41.4
152500	26.7	49.8	26	10.4	27.2	42.5
156500	26.9	50.8