利用YOLOv3代码训练自己的训练集(二)

前言

在前面(一)的代码中，我在训练一个自己的数据集时候（缺陷检测），epoch为1500，但最终的loss仍然很高，为9左右。
因此检测效果也很差，如图中所示，缺陷没检测出来。
这个时候该怎么办？增加epoch？这个方法不仅费时，而且很有可能效果仍然不好。

有一种简单的方法就是微调参数。

参数微调

1.预训练

先对整个数据集进行一次pre-training(预训练)，得到每一层的weights和bias。

2.重新训练，微调参数

Freeze前面若干层的权值，而对最后几层的参数进行重新训练，从而得到较低的loss和较高的准确率。

其实大家可以发现，这个就是和迁移学习中的内容几乎一致。
把别人的权值（如vgg19等）直接拿来训练自己的模型，冻结前面的参数，把最后几层的参数重新训练，从而适应自己的数据集。

代码分析

这段代码是前面(一)中的代码，我们主要分析tiny_train.py的主要代码，也就是训练的代码。
先看main函数，前面几个路径不用看，只需要看到后面几句话：
一个是input_shape ,表示样本都被转化为416*416
还有个是create_model函数，表示创建模型
train当然是训练模型了

def _main():
    annotation_path = 'train.txt'
    log_dir = 'logs/'
    classes_path = 'model_data/voc_classes.txt'
    anchors_path = 'model_data/tiny_yolo_anchors.txt'    
    class_names = get_classes(classes_path)
    anchors = get_anchors(anchors_path)
    input_shape = (416,416)  # multiple of 32, hw
    #input_shape = (224,224)
    model = create_model(input_shape, anchors, len(class_names) )
    train(model, annotation_path, input_shape, anchors, len(class_names), log_dir=log_dir)

这段是train函数，设置batch_size为16，因为我的显存是6g的，所以比较小，epoch为1500，保存参数写在这里。

def train(model, annotation_path, input_shape, anchors, num_classes, log_dir='logs/'):
    model.compile(optimizer=