yolo训练

训练过程中修改cfg配置文件：
detector.c文件中第206行更改迭代保存次数，进行保存（源代码中为100，当大于2000后，改为10000），更快达到45000次

1. Yolo-V2中只需要修改最后一层卷积层中的filter，filter等于（classes + 5）* 5，region中的classes也需要进行修改。
2. 如果classes = 1, filter = 30；Classes = 2, filter = 35;
3. Yolo-V3中则按照官网对应的进行修改，filter和classes分别各有三处需要进行修改，但filter等于（classes + 5）* 3。
4. yolO v3
5. 训练: ./darknet detector train data/myself/obj.data data/myself/yolov3-myself.cfg build/darknet/x64/darknet53.conv.74 -gpus 1,2,3
6. 测试一张图片：./darknet detector test data/myself/obj.data data/myself/yolov3-myself.cfg backup/yolov3-myself_24768.weights data/myself/JPEGImages/000002.png
7. 测试mAP : ./darknet detector map data/myself/obj.data data/myself/yolov3-myself.cfg backup/yolov3-myself_13624.weights
    

parse.c文件修改显示:

• 第730行设置显示的网络参数
• 第733行设置显示的网络
• 第1152行设置加载模型位置
• 第815行显示Total BFLOPS
• 第1164行printf("\n seen 64 \n")
• 第1170行printf("\n seen 32 \n")

shortcut_layer.c第9行设置fprintf(stderr,"Shortcut Layer: %d\n", index)
convolutional_layer.c第402行设置fprintf(stderr, "conv  %5d %2d x%2d /%2d  %4d x%4d x%4d   ->  %4d x%4d x%4d %5.3f BF\n", n, size, size, stride, w, h, c, l.out_w, l.out_h, l.out_c, l.bflops)
route_layer.c:

•  第8行fprintf(stderr,"route ")
• 第18行fprintf(stderr," %d", input_layers[i])
• 第21行fprintf(stderr, "\n")

unsample_layer.c：

• 第39行和40行显示：if(l.reverse) fprintf(stderr, "downsample         %2dx  %4d x%4d x%4d   ->  %4d x%4d x%4d\n", stride, w, h, c, l.out_w, l.out_h, l.out_c);
•  else fprintf(stderr, "upsample           %2dx  %4d x%4d x%4d   ->  %4d x%4d x%4d\n", stride, w, h, c, l.out_w, l.out_h, l.out_c);
• yolo_layer.c:
•  第58行fprintf(stderr, "yolo\n")
• Demo.c:
•  第109行printf("\nFPS:%.1f\n",fps);

训练需要：
1.    txt文件：分为train.txt和test.txt，写入图片相对路径
2.    obj.names和obj.data
3.    yolo.cfg和初始网络权重darkent53.conv.74（示例：yolo-v3）
4.    labels目录文件存放所有图像的txt文件，每张图像对应一个txt文件，命名相同。
0 0.721728594507 0.577540106952 0.0525040387722 0.406417112299
1 0.42084006462 0.54679144385 0.0290791599354 0.211229946524
其中0对应着obj.names中第一个label名字，1对应着obj.names第二个label名字，接着为x,y,width和height
X = (center_x)/图像宽
Y = (center_y)/图像高
Width = (center_width)/图像宽
Height = (center_height)/图像高
5.    JPEGImages目录文件存放所有图像