darknet中cfg文件里参数的理解

这里是以cfg/yolov3.cfg为例（其他差不多）

//用[]括起来的表示网络的一层，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
[net]
batch=64 //表示网络积累多少个样本后进行一次BP
subdivisions=16 //表示将一个batch的图片分sub次完成网络的前向传播。
/* 在darknet中，batch和sub是结合使用的，这里参数的意思是，训练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。*/

width=608 //有说网络输入的宽，也有说是输入图片的宽
height=608 //有说网络输入的高，也有说是输入图片的高
channels=3 //网络输入的通道数
/*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 */
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的速度
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

leaening_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。
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：学习率的衰减应该在100倍以上。
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。
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0.0014。/
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400000次时，学习率衰减十倍，450000次迭代时，学习率又会在前一个学习率的基础上衰减十倍

//一层卷积层的配置说明
[convolutional]
batch_normalize=1 //是否进行BN处理，1：是，0：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

#Downsample
[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] //shortcut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个坐标加一个置信度，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filters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 //类别说明
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
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改成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，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寸训练的范围，这样可以增大batch。

/*****************************************************************/
什么时候停止训练：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。或者根据你自身定义的数据集去重新计算anchor尺寸。
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。
训练的图片较小，但是实际检测图片大，怎么检测小目标：使用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；或者：set ‘[route] layers = -1,11’
set ‘[upsample] stride = 4’
多GPU怎么训练：1.首先用一个gpu训练1000次迭代后的网络；
2.再用多gpu训练； 命令：
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