Andy-Yun/Pytorch-Yolov3_Log

• 前言：算法测试_20190627
  
  

• The latest test results from yolov3-tiny-voc version of andy-yun pytorch are as follows:
  
  
  

  I’ll adjust some parameters and retrain, and keep a record of training next.

• First Trial
  如果你也想用andy-yun版本的pytorch训练yolov3或者tiny-yolov3，你可以参考他的github: https://github.com/andy-yun/pytorch-0.4-yolov3
  该算法只保存最后的5个epoch，每5个epoch保存一次，每10个epoch做一次验证，并将记录保存在savelog.txt中，自动计算max_epochs
  learning_rate 与 train.py中的processed_batches有关，processed_batches即迭代次数，可打印查看
  作者在自己的训练集上取得的成绩：using yolov3 with self.rescore = 1 and latest code, mAP = 74.9. (with 170 epochs training)
  在训练之前你需要熟悉作者参考的github: https://github.com/marvis/pytorch-yolo2.
  
  
  我们可以按照作者教程中提到的下载官方的预训练权重，查看检测效果并检查运行环境。
  用作者提供的方法进行验证需要参考marvis 的教程，那里有更加详细的介绍。
  
  
  这里直接贴上第一次训练时的一些设置：
  首先是一些参数的修改，比较少：
  –data，default = ‘cfg/voc.data’
  –config, default= ‘cfg/yolov3-tiny-voc.cfg’
  –weights, default = ‘yolov3-tiny.weights’
  在配置文件中，anchors的数据来自 https://github.com/AlexeyAB/darknet，当然你还需要设置其他参数：
  anchors = 37,59， 67,160， 140,117， 145,282， 286,194， 329,352
  classes = 20
  num = 6
  每一层[yolo]前一层的
  filters = 75
  [net]中的batch = 32（batch = 64时，显存溢出）（在使用 weights_autosave.py抓取最好权重时，显存溢出现象时有时无，降低batch可以解决。）
  
  
  开始训练：python train.py -d cfg/voc.data -c cfg/yolov3-tiny-voc.cfg -w yolov3.weights -r
  
  
  第95个epoch训练结束，获得权重epoch_95.weight，结果如第一份表格所示。
  本次训练的max_epochs 是根据训练样本的数量自动计算，在train.py中这样表示：
  max_epochs = max_baches*bash_size//nsamples+1 #其中的max_baches为最大迭代次数50200，bash_size取batch = 32， nsamples为所有样本16551.
  
  
  在第10—20个epoch中出现bug：
  RuntimeError: invalid argument 0: Sizes of tensors must match except in dimension 0. Got 416 and 480 in dimension 2 at /pytorch/aten/src/TH/generic/THTensorMath.cpp:3616
  错误原因输入的数据维度不一致，这个问题在作者的 issues 栏目有一些讨论，在marvis 的最后也有一些提示。
  通过修改dataset.py 中的 line62，即

if index % 64 == 0 >> if self.seen % (self.batch_size * 10) == 0    #in paper, every 10 batches, but we did every 64 images

• Second
  保存所有的epoch, 不移除旧的epoch —》只保存倒数的5个epoch
  每隔1个epoch保存一次，格式 epoch_d.weights.此外，每个epoch结束后，保存权重yolov3-tiny-voc-last.weights并持续自更新—》每隔个5epoch保存一次
  结合 weights_autosave.py获取最好权重
  在配置文件 [net] 中添加 max_epochs = 180, 设置max_epochs
  修改learning_rate衰减策略…
  优化器Adam ----》SGD
  修改预训练权重，采取AlexeyAB的方法， 提取 yolov3-tiny.weights 前15层：yolov3-tiny-voc.conv.15
  …

• Q: weights_autosave.py saved yolov3-tiny-voc.weight.best.0，map = 47.08% IOU = 40.18, differ from epoch_160.weights, map = 53.59% % IOU = 44.64%, in using Alexey’s calculation.