yolov3学习笔记（二）yolov3.cfg中hyperparams学习笔记

TurtleMeow

于 2019-01-21 12:14:22 发布

阅读量2.1k

点赞数

分类专栏：深度学习 object detection 文章标签： yolo

本文链接：https://blog.csdn.net/yinhuan1649/article/details/86570935

版权

本文详细总结了YoloV3的主要改进，包括引入logistic regression预测objectness，摒弃softmax改用binary cross-entropy进行多标签分类。同时，文章分析了配置文件中的关键超参数，如batch size、subdivisions、momentum和weight decay等，解释了它们在训练过程中的作用，以及数据增强的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

yolov3.cfg超参数注解

- - - 总结下v3中的主要改进
    - 配置文件中超参数部分截取如下：

总结下v3中的主要改进

引入logistic regression 来预测objectness
如果某个box没有所对应的groundtruth，那么只预测其objectness
对于类别的预测，舍弃了softmax，Softmax可被独立的多个logistic分类器替代。Softmax使得每个框分配一个类别（score最大的一个），而目标可能有重叠的类别标签，因此Softmax不适用于多标签分类。使用了binary cross-entropy来预测类别
在3个层输出预测 stride分别为32 16 8，以coco数据集为例，预测的tensor大小为：N x N x (3 x （4 +1 +80））,其中4为坐标，1为objectness，80为class
前面两个经2x上采样与最后的输出层合并
9个bndbox来自于3个层的bndbox的kmeans聚类

配置文件中超参数部分截取如下：

[net]
# Testing
# batch=1
# subdivisions=1
# Training
batch=64
subdivisions=16
width=608
height=608
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.001
burn_in=1000
max_batches = 500200
policy=steps
steps=40000

最低0.47元/天解锁文章