[net]
# Testing
#batch=1 #测试时，batch和subdivisions都必须设置为1
#subdivisions=1
# Training
batch=64 #batch与一般意义上的batch概念稍有出入，在这里表示网络积累多少个样本后进行一次反向传播.
subdivisions=16 #subdivisions表示将一个batch的图片分subdivisions次完成网络的前向传播.
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，
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
height=320 #网络输入的高
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=1 #网络输入的通道数
momentum=0.9 #动量梯度下降优化方法中的动量参数
decay=0.0005 #权重衰减正则项，用于防止过拟合
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
学习率决定着权值更新的速度，设置得太大会使结果越过最优值，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，其学习率的更新为一种方式，大于burn_in时，采用policy的更新方式
max_batches = 10004 #训练迭代次数达到max_batches后停止学习，跑完一个batch为一次
policy=steps #学习率调整的策略constant, steps, exp, poly, step, sig, RANDOM，constant等方式
steps=8000,9000 #steps和scale是设置学习率的变化
scales=.1,.1 #迭代到8000次时，学习率衰减十倍，9000次时，学习率又会在前一个学习率的基础上衰减十倍
[convolutional] #卷积层
batch_normalize=1 #是否进行BN，batch_normalize
filters=32 #卷积核个数，也就是该层的输出通道数
size=3 #卷积核大小
stride=1 #卷积步长
pad=1 #pad边缘补像素
activation=leaky #网络层激活函数，Leaky ReLU
............
...........
[convolutional] #YOLO层前面一层卷积层配置说明
size=1
stride=1
pad=1
filters=21 #YOLO层前面一层卷积层
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 #线性激活，也就是没用激活函数，原样输出
[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=2 #类别数目
num=9 #每个grid cell总共预测num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 #参与计算的IOU阈值大小
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（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。参考：https://www.e-learn.cn/content/qita/804953
truth_thresh = 1
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，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，读者自行尝试！
几个尺寸说明
（1）batch_size：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batch_size个样本训练；
（2）iteration：1个iteration等于使用batchsize个样本训练一次；
（3）epoch：1个epoch等于使用训练集中的全部样本训练一次；
训练log中各参数的意义
Region Avg IOU：平均的IOU，代表预测的bounding box和ground truth的交集与并集之比，期望该值趋近于1。
Class:是标注物体的概率，期望该值趋近于1.
Obj：期望该值趋近于1.
No Obj:期望该值越来越小但不为零.
Avg Recall：期望该值趋近1
avg：平均损失，期望该值趋近于0
参考：
yolov3 darknet cfg配置文件参数详解
YOLOV3实战4：Darknet中cfg文件说明和理解
【YOLO】YOLO网络中参数的解读
YOLOv2调参总结
网友评论