Yolov2 cfg 参数 训练过程的参数

[net]
batch=64     //batch：每次迭代要进行训练的图片数量 
subdivisions=8      //subdivisions：源码中的图片数量int imgs = net.batch * net.subdivisions * ngpus，按subdivisions大小分批进行训练 
width=416
height=416          // width：输入图片宽度， height：输入图片高度，channels ：输入图片通道数
channels=3

momentum=0.9        //动量
decay=0.0005          //权重衰减正则项，防止过拟合
angle=0               //angle：图片角度变化，单位为度，假如angle=5，就是生成新图片的时候随机旋转-5~5度 
saturation = 1.5      //saturation & exposure: 饱和度与曝光变化大小，tiny-yolo-voc.cfg中1到1.5倍，以及1/1.5~1倍 
exposure = 1.5     

hue=.1                 //hue：色调变化范围，tiny-yolo-voc.cfg中-0.1~0.1 

learning_rate=0.001
max_batches = 40100       //max_batches：最大迭代次数  训练达到max_batches后停止学习
policy=steps                //调整学习率的policy，有如下policy：CONSTANT, STEP, EXP, POLY, STEPS, SIG, RANDOM
steps=-1,100,20000,30000   //
scales=.1,10,.1,.1        //学习率变化的比例，累计相乘

对于每次迭代训练，YOLOv2会基于角度(angle)，饱和度(saturation)，曝光(exposure)，色调(hue)产生新的训练图片

[convolutional]
batch_normalize=1                 //是否做BN
filters=32                        // 输出多少个特征图
size=3                            //卷积核的尺寸
stride=1                           //做卷积运算的步长
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
activation=leaky                 //  激活函数：logistic，loggy，relu，elu，relie，plse，hardtan，lhtan，linear，ramp，leaky，tanh，stair

[maxpool]
size=2                            // 池化层尺寸
stride=2                         //  池化步进

[route]                           // the route layer is to bring finer grained features in from earlier in the network
layers=-9

[region]
anchors = 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52
bias_match=1    //bias_match：如果为1，计算best iou时，预测宽高强制与anchors一致 
classes=20
coords=4
num=5
softmax=1         //softmax：如果为1，使用softmax 
jitter=.2
rescore=1        //rescore：决定使用哪种方式计算IOU的误差，为1时，使用当前best iou计算，为0时，使用1计算 

object_scale=5
noobject_scale=1
class_scale=1
coord_scale=1  //YOLOv1论文中cost function的权重，哪一个更大，每一次更新权重的时候，对应方面的权重更新相对比重更大 

absolute=1
thresh = .6       //thresh：决定是否需要计算IOU误差的参数，大于thresh，IOU误差不会夹在cost function中 
random=1         //random：如果为1每次迭代图片大小随机从320到608，步长为32，如果为0，每次训练大小与输入大小一致

虽然region(YOLOv1的detection)在最后一层，但是很多参数都是一开始就载入使用的，尤其是对于图片数据处理的参数
classes：类别数量
coords：BoundingBox的tx,ty,tw,th，tx与ty是相对于左上角的gird，同时是当前grid的比例，tw与th是宽度与高度取对数
num：每个grid预测的BoundingBox个数
jitter：利用数据抖动产生更多数据，YOLOv2中使用的是crop，filp，以及net层的angle，flip是随机的，crop就是jitter的参数，tiny-yolo-voc.cfg中jitter=.2，就是在0~0.2中进行crop
anchors：预测框的初始宽高，第一个是w，第二个是h，总数量是num*2，YOLOv2作者说anchors是使用K-MEANS获得，其实就是计算出哪种类型的框比较多，可以增加收敛速度，如果不设置anchors，默认是0.5，还有就是anchors读入参数中名字是biases
这里有一个计算样本anchors的python脚本，anchors生成脚本

ref
https://blog.csdn.net/dcrmg/article/details/78565440