yolov3-tiny.cfg文件注释

[net]
# Testing
batch=1               #这儿batch与机器学习中的batch有少许差别，仅表示网络积累多少个样本后进行一次BP 
subdivisions=1       #这个参数表示将一个batch的图片分sub次完成网络的前向传播
# Training
# batch=64
# subdivisions=16     #在Darknet中，batch和sub是结合使用的，例如这儿的batch=64，sub=16表示训练的过
                       #程中将一次性加载64张图片进内存，然后分16次完成前向传播，意思是每次4张，前向传播的循环过程中
                         #累加loss求平均，待64张图片都完成前向传播后，再一次性后传更新参数
                      #sub一般设置16，不能太大或太小，且为8的倍数，其实也没啥硬性规定，看着舒服就好
                        #batch的值可以根据显存占用情况动态调整，一次性加减sub大小即可，通常情况下batch越大越好，还需
                          #注意一点，在测试的时候batch和sub都设置为1，避免发生神秘错误！
width=416
height=416                       #width和height一定要为32的倍数，否则不能加载网络,width也可以设置为不等于height，通常情况下，
                                  #width和height的值越大，对于小目标的识别效果越好，但受到了显存的限制，读者可以自行尝试不同组合
channels=3
momentum=0.9                 #动量 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
decay=0.0005                #权重衰减正则项，防止过拟合
# 以下4个参数用来调整图片,生成更多的数据集
angle=0             #通过旋转角度来生成更多训练样本
saturation = 1.5    #通过调整饱和度来生成更多训练样本
exposure = 1.5         #通过调整曝光量来生成更多训练样本
hue=.1                   #通过调整色调来生成更多训练样本

learning_rate=0.001      #学习率决定着权值更新的速度，设置得太大会使结果超过最优值，太小会使下降速度过慢。
                             #如果仅靠人为干预调整参数，需要不断修改学习率。刚开始训练时可以将学习率设置的高一点，
                             #而一定轮数之后，将其减小在训练过程中，一般根据训练轮数设置动态变化的学习率。
                             #刚开始训练时：学习率以 0.01 ~ 0.001 为宜。一定轮数过后：逐渐减缓。
                             #接近训练结束：学习速率的衰减应该在100倍以上。
                             #学习率调整一定不要太死，实际训练过程中根据loss的变化和其他指标动态调整，手动ctrl+c结
                             #束此次训练后，修改学习率，再加载刚才保存的模型继续训练即可完成手动调参，调整的依据是根据训练
                             #日志来，如果loss波动太大，说明学习率过大，适当减小，变为1/5，1/10均可，如果loss几乎不变，
                             #可能网络已经收敛或者陷入了局部极小，此时可以适当增大学习率，注意每次调整学习率后一定要训练久一点，
                             #实际学习率与GPU的个数有关，例如你的学习率设置为0.001，如果你有4块GPU，那真实学习率为0.001/4
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 = 500200    #训练次数达到max_batches后停止学习，一次为跑完一个batch
policy=steps           #调整学习率的策略
steps=400000,450000
scales=.1,.1          #steps和scale是设置学习率的变化，比如迭代到400000次时，学习率衰减十倍，45000次迭代时，学
                        #习率又会在前一个学习率的基础上衰减十倍

[convolutional]
batch_normalize=1      #是否进行BN处理，1为是，0为不是
filters=16            #卷积核个数，也是输出通道数
size=3                #卷积核尺寸
stride=1            #卷积步长
pad=1                #卷积时是否进行0 padding,padding的个数与卷积核尺寸有关，为size/2向下取整，如3/2=1
activation=leaky      #网络层激活函数

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=1

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky

###########

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=255             #filters=num(预测框个数)*(classes+5)，5的意义是4个坐标加一个置信率，论文中的tx,ty,tw,th,
                            # c，classes为类别数，COCO为80,num表示YOLO中每个cell预测的框的个数，YOLOV3中为3
                             #自己使用时，此处的值一定要根据自己的数据集进行更改，例如你识别4个类，则：
                             #filters=3*(4+5)=27,三个fileters都需要修改，切记
activation=linear        #层次激活函数



[yolo]
mask = 3,4,5       #使用anchor的索引，0，1，2表示使用下面定义的anchors中的前三个anchor
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=80          #类别数目
num=6              # 每个grid cell总共预测几个box,和anchors的数量一致。当想要使用更多anchors时需要调大num
jitter=.3            #数据增强手段，此处jitter为随机调整宽高比的范围
ignore_thresh = .7
truth_thresh = 1      #参与计算的IOU阈值大小.当预测的检测框与ground true的IOU大于ignore_thresh的时候，参与loss的计算，否则，检测框的不参与损失计算。
                             #目的是控制参与loss计算的检测框的规模，当ignore_thresh过于大，接近于1的时候，那么参与
                             #检测框回归loss的个数就会比较少，同时也容易造成过拟合；而如果ignore_thresh设置的过于小，那么
                             #参与计算的会数量规模就会很大。同时也容易在进行检测框回归的时候造成欠拟合。
                             #参数设置：一般选取0.5-0.7之间的一个值，之前的计算基础都是小尺度（13*13）用的是0.7，
                             （26*26）用的是0.5。这次先将0.5更改为0.7。
random=1            #为1打开随机多尺度训练，为0则关闭，当打开随机多尺度训练时，前面设置的网络输入尺寸width和height其实就不起作用了，width
                             #会在320到608之间随机取值，且width=height，每10轮随机改变一次，一般建议可以根据自己需要修改
                             #随机尺度训练的范围，这样可以增大batch

[route]
layers = -4

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[upsample]
stride=2

[route]
layers = -1, 8  #往前一层和第八层结合

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=255
activation=linear

[yolo]
# 选择哪几组anchor
mask = 0,1,2
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=80
# anchor的数量,和anchors实际数量对应
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1