这篇博客详细解释了YOLOv3配置文件中各项参数的作用，如网络输入尺寸、动量、权重衰减、数据增强策略以及学习率的调整方式。学习率策略包括设定变化步长和比率，以优化训练过程。此外，还介绍了卷积层参数和Yolo层的配置，如滤波器数量、激活函数等。博主分享了一个全面的资源链接，供读者深入理解YOLOv3训练参数设置。
yolov3中cfg含义注释
在写论文时，要补充训练时候设置的参数，然后经过查找资料，补充如下
[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=4
subdivisions=1
width=320 ### 网络的输入宽、高、通道数
height=320
channels=3
momentum=0.9 ### 动量
decay=0.0005 ### 权重衰减
angle=0
saturation = 1.5 ### 饱和度
exposure = 1.5 ### 曝光度
hue=.1 ### 色调
learning_rate=0.001 ### 学习率
burn_in=1000 ### 学习率控制的参数
max_batches = 500200 ### 迭代次数
policy=steps ### 学习率策略
steps=400000,450000 ### 学习率变动步长
scales=.1,.1 ### 学习率变动因子
网上找了一份更加全面的注释，大家选择使用。觉得总结的非常好，链接如下：https://blog.csdn.net/qq_35872456/article/details/84216129?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522161201832916780269876803%252522%25252C%252522scm%252522%25253A%25252220140713.130102334…%252522%25257D&request_id=161201832916780269876803&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allsobaiduend~default-1-84216129.pc_search_result_before_js&utm_term=yolov3cfg
[net]
# Testing ### 测试模式
# Training ### 训练模式
# batch=64
# subdivisions=16
---------------------------------------------------------------------------------------------------------
batch=64 ### 每一次迭代送到网络的图片数量，也叫批数量。增大这个可以让
### 网络在较少的迭代次数内完成一个epoch。在固定最大迭代次数的
### 前提下，增加batch会延长训练时间，但会更好的寻找到梯度下降的
### 方向。如果你显存够大，可以适当增大这个值来提高内存利用率。
### 这个值是需要大家不断尝试选取的，过小的话会让训练不够收敛，
### 过大会陷入局部最优。
subdivisions=32 ### 这个参数很有意思的，它会让你的每一个batch不是一下子都丢到
### 网络里。而是分成subdivision对应数字的份数，一份一份的跑
### 完后，在一起打包算作完成一次iteration。这样会降低对显存的
### 占用情况。如果设置这个参数为1的话就是一次性把所有batch的
### 图片都丢到网络里，如果为2的话就是一次丢一半。
### batch/subdivisions作为一次性送入训练器的样本数量,
### 如果内存不够大，则会将batch分割为subdivisions个子batch
---------------------------------------------------------------------------------------------------------
width=32 ### input图像的宽
height=32 ### input图像的高
channels=3 ### input图像的通道数 3为RGB彩色图片，1为灰度图，4为RGBA图，A通道表示透明度
### 以上三个参数为输入图像的参数信息width和height影响网络
### 对输入图像的分辨率,从而影响precision,只可以设置成32的倍数
---------------------------------------------------------------------------------------------------------
momentum=0.9 ### 冲量。DeepLearning1中最优化方法中的动量参数，这个值影响着梯
### 度下降 到最优值得速度,冲量的建议配置为0.9。
decay=0.0005 ### 权值衰减。使用的目的是防止过拟合，当网络逐渐过拟合时网络权值往往会变
### 大，因此，为了避免过拟合，在每次迭代过程中以某个小因子降低
### 每,decay参数越大对过拟合的抑制能力越强
### 个权值，也等效于给误差函数添加一个惩罚项，常用的惩罚项是所有
### 权重的平方乘以一个衰减常量之和。权值衰减惩罚项使得权值收敛到较小的绝对值。
angle=180 ### 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
exposure = 1.5 ### 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
hue=.1 ### 色调变化范围,tiny-yolo-voc.cfg中-0.1~0.1
### 在每次迭代中，会基于角度、饱和度、曝光、色调产生新的训练图片。
---------------------------------------------------------------------------------------------------------
learning_rate=0.001 ### 初始学习率。训练发散的话可以降低学习率。学习遇到瓶颈，loss不变
### 的话也可以减低学习率。
### 学习率决定了参数移动到最优值的速度快慢，如果学习率过大，
### 很可能会越过最优值导致函数无法收敛，甚至发散；反之，
### 如果学习率过小，优化的效率可能过低，算法长时间无法收敛，
### 也易使算法陷入局部最优（非凸函数不能保证达到全
### 局最优）。合适的学习率应该是在保证收敛的前提下，能尽快收
### 敛。设置较好的learning rate，需要不断尝试。在一开始的时
### 候，可以将其设大一点，这样可以使weights快一点发生改变，在
### 迭代一定的epochs之后人工减小学习率。在yolo训练中，网络训
### 练160epoches，初始学习率为0.001，在60和90epochs时将学习率除以10。
burn_in=1000 ### 在迭代次数小于burn_in时，其学习率的更新有一种方式，大于
### burn_in时，才采用policy的更新方式
max_batches = 50000 ### 最大迭代次数。训练达到max_batches后停止学习
policy=steps ### 学习策略，一般都是step这种步进式。
### 有policy：constant, steps, exp, poly, step, sig, RANDOM，constant等方式
steps=100, 25000, 35000 ### 学习率变化时的迭代次数
scales=10,.1,.1 ### 学习率变化的比率。这两个是组合一起的，举个例子：learn_rate: 0.001,
### step:100,25000,35000 scales: 10, .1, .1 这组数据的
### 意思就是在0-100次iteration期间learning rate为原始0.001，
### 在100-25000次iteration期间learning rate为原始的10倍0.01,
### 在25000-35000次iteration期间learning rate为当前值的0.1倍,
### 就是0.001， 在35000到最大iteration期间使用learning rate为
### 当前值的0.1倍，就是0.0001。随着iteration增加，降低学习率可以
### 是模型更有效的学习，也就是更好的降低train loss。
[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
......
......
[convolutional]
size=1
stride=1
pad=1
filters=27 ### 每一个[region/yolo]层前的最后一个卷积层中的
### filters=(classes+1+coords)*anchors_num,
### 其中anchors_num 是该层mask的一个值.如果没有mask
### 则 anchors_num=num是这层的ancho5的意义是5个坐标，
### 论文中的tx,ty,tw,th,to。 3*(5+len(classes))
activation=linear ### 激活函数-activation
### 包括logistic, loggy, relu, elu, relie, plse, hardtan
### ,lhtan, linear, ramp, leaky, tanh, stair
[yolo] ### 在yoloV2中yolo层叫region层
mask = 6,7,8 ### 当前属于第几个预选框,这一层预测第7、8、9个 anchor boxes,
### 每个yolo层实际上只预测3个由mask定义的anchors
anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
### 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;
classes=4 ### 网络需要识别的物体种类数
num=9 ### 每个grid cell预测几个box,和anchors的数量一致。当想要使
### 用更多anchors时需要调大num，且如果调大num后训练时Obj趋近0的话
### 可以尝试调大object_scale
jitter=.3 ### 通过抖动增加噪声来抑制过拟合
ignore_thresh = .5 ### 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
truth_thresh = 1
random=1 ### random为1时会启用Multi-Scale Training，随机使用不同尺
### 寸的图片进行训练,如果为0，每次训练大小与输入大小一致;
### 是否随机确定最后的预测框，显存小可设置成0
几个尺寸说明
（1）batch_size：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batch_size个样本训练；
（2）iteration：1个iteration等于使用batchsize个样本训练一次；
（3）epoch：1个epoch等于使用训练集中的全部样本训练一次；
训练log中各参数的意义
Region Avg IOU：平均的IOU，代表预测的bounding box和ground truth的交集与并集之比，期望该值趋近于1。
Class:是标注物体的概率，期望该值趋近于1.
Obj：期望该值趋近于1.
No Obj:期望该值越来越小但不为零.
Avg Recall：期望该值趋近1
avg：平均损失，期望该值趋近于0
扫一扫
790
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
