YOLOV3中Darknet中cfg文件说明和理解
[net] [xxx]开始的行表示网络的一层，其后的内容为该层的参数配置，[net]为特殊的层，配置整个网络
# Testing #号开头的行为注释行，在解析cfg的文件时会忽略该行 # batch=1 # subdivisions=1
# Training batch=64 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=16 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 2. 敲黑板：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 3. 调参经验：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=608 网络输入的宽width height=608 网络输入的高height channels=3 网络输入的通道数channels width和height一定要为32的倍数，否则不能加载网络 提示：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 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 angle=0 数据增强参数，通过旋转角度来生成更多训练样本 saturation = 1.5 数据增强参数，通过调整饱和度来生成更多训练样本 exposure = 1.5 数据增强参数，通过调整曝光量来生成更多训练样本 hue=.1 数据增强参数，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。学习率的调整参考https://blog.csdn.net/qq_33485434/article/details/80452941 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，充分观察，调参是个细活，慢慢琢磨 。 一点小说明：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 学习率调整的策略：constant, steps, exp, poly, step, sig, RANDOM，constant等方式 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] 一层卷积层的配置说明 batch_normalize=1 是否进行BN处理，什么是BN此处不赘述，1为是，0为不是 filters=32 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 卷积核尺寸3*3配合padding且步长为1时，不改变feature map的大小
[convolutional] 下采样层的配置说明 batch_normalize=1 filters=64 size=3 stride=2 pad=1 activation=leaky 卷积核尺寸为3*3，配合padding且步长为2时，feature map变为原来的一半大小 [shortcut] shotcut层配置说明 from=-3 与前面的多少次进行融合，-3表示前面第三层 activation=linear 层次激活函数
…
[convolutional] YOLO层前面一层卷积层配置说明 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
[yolo] YOLO层配置说明 mask = 0,1,2 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 = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 classes=80 类别数目 num=9 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，该参数不好理解，在我的源代码注释中有详细说明 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。 理解：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（1313）用的是0.7，26 26）用的是0.5。这次先将0.5更改为0.7。参考：https://www.e-learn.cn/content/qita/804953 random=1 为1打开随机多尺度训练，为0则关闭 提示：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，没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，望读者自行尝试！
疑问以及解决方案
如果你看到avg loss =nan 说明训练错误; 某一行的Class=-nan说明目标太大或者太小，某个尺度检测不到,属于正常 什么时候应该停止训练? 当loss不在下降或者下降极慢的情况可以停止训练，一般loss=0.7左右就可以了 在训练集上测试正确率很高，在其他测试集上测试效果很差，说明过拟合了。 提前停止训练，或者增大样本数量训练 如何提高目标检测正确率包括IOU，分类正确率 设置yolo层 random =1，增加不同的分辨率。或者增大图片本身分辨率。或者根据你自定义的数据集去重新计算anchor尺寸（darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416 then set the same 9 anchors in each of 3 [yolo]-layers in your cfg-file） 如何增加训练样本？ 样本特点尽量多样化，亮度，旋转，背景，目标位置，尺寸；添加没有标注框的图片和其空的txt文件，作为negative数据 图片较小，但是实际检测图片大，怎么检测小目标 1.使在用416*416训练完之后，也可以在cfg文件中设置较大的width和height，增加网络对图像的分辨率，从而更可能检测出图像中的小目标，而不需要重新训练； 2.set [route] layers = -1, 11 set [upsample] stride=4 网络模型耗费资源多大？ （我用过就两个）[yolov3.cfg] [236MB COCO-91类] [4GB GPU-RAM]， [yolov3.cfg] [194MB VOC-20类] [4GB GPU-RAM]， [yolov3-tiny.cfg] [34MB COCO-91类] [1GB GPU-RAM]，[yolov3-tiny.cfg] [26MB VOC-20类] [1GB GPU-RAM] 多GPU怎么训练 首先用一个gpu训练1000次迭代后的网络，再用多gpu训练darknet.exe detector train data/voc.data cfg/yolov3-voc.cfg /backup/yolov3-voc_1000.weights -gpus 0,1,2,3 有哪些命令行来对神经网络进行训练和测试？ 1.检测图片： build\darknet\x64\darknet.exe detector test data/coco.data cfg/yolov3.cfg yolov3.weights -thresh 0.25 xxx.jpg；2.检测视频：将test 改为 demo ; xxx.jpg 改为xxx.mp4；3.调用网络摄像头：将xxx.mp4 改为 http://192.168.0.80:8080/video?dummy=x.mjpg -i 0；4.批量检测：-dont_show -ext_output < data/train.txt > result.txt；5.手持端网络摄像头：下载mjpeg-stream 软件, xxx.jpg 改为 IP Webcam / Smart WebCam 如何评价模型好坏 build\darknet\x64\darknet.exe detector map data\defect.data cfg\yolov3.cfg backup\yolov3.weights 利用上面命令计算各权重文件，选择具有最高IoU（联合的交集）和mAP（平均精度）的权重文件
860
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
