yolov3的cfg配置文件注释及修改示例

yolov3的cfg配置文件的修改

整理了网络和自己项目积累的东西，希望能大家带来帮助

[net]
# Testing                    ###    测试模式，测试的时候，去掉注释
# 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=416                    ###    输入图像的宽
height=416                   ###    输入图像的高
channels=3                   ###    输入图像的通道数 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,必须设置为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，如果先达到指定epochs，则停止学习
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=1000,40000,45000       ###    学习率变化时的迭代次数，分别是总迭代次数的0.8和0.9
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:1000,40000,45000   scales: 10, .1, .1 这组数据的
                             ###    意思就是在0-1000次iteration期间learning rate为原始0.001，
                             ###    在1000-40000次iteration期间learning rate为原始的10倍0.01,
                             ###    在40000-45000次iteration期间learning rate为当前值的0.1倍,
                             ###    就是0.001， 在45000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=18                    ###    每一个[region/yolo]层前的最后一个卷积层中的filters需要修改；
                              ###    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，
                              ###    分别是论文中的tx,ty,tw,th,to。
                              ###    filters的计算公式为： 3*(5+len(classes))，此处是只有1个类别，所以class=1，
                              ###   所以3*（5+1）=18；3是代表yolov3有三个预测分支（3个检测层）。
                              ###  根据自己项目的实际情况，进行相应修改
 
activation=linear             ###    激活函数-activation
                              ###    包括logistic, loggy, relu, elu, relie, plse, hardtan
                              ###    ,lhtan, linear, ramp, leaky, tanh, stair
 
 
[yolo]                        ###    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,
                              ###    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=1                     ###    网络需要识别的物体种类数，此处只有1个检测类别
num=9                         ###    每个grid cell预测几个box,与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
 
 #注意：yolov3一共有3对（yolo检测层+其前面的convolutional层），记得这3对地方均要修改。