cfg說明:

[net]                        ★ [xxx]開始的行表示網(wǎng)絡(luò)的一層，其后的內(nèi)容為該層的參數(shù)配置，[net]為特殊的層，配置整個網(wǎng)絡(luò)
# Testing                    ★ #號開頭的行為注釋行，在解析cfg的文件時會忽略該行
# batch=1
# subdivisions=1
# Training
batch=64                     ★ 這兒batch與機器學(xué)習(xí)中的batch有少許差別，僅表示網(wǎng)絡(luò)積累多少個樣本后進行一次BP 
subdivisions=16              ★ 這個參數(shù)表示將一個batch的圖片分sub次完成網(wǎng)絡(luò)的前向傳播
                             ★★ 敲黑板：在Darknet中，batch和sub是結(jié)合使用的，例如這兒的batch=64，sub=16表示訓(xùn)練的過
                             程中將一次性加載64張圖片進內(nèi)存，然后分16次完成前向傳播，意思是每次4張，前向傳播的循環(huán)過程中
                             累加loss求平均，待64張圖片都完成前向傳播后，再一次性后傳更新參數(shù)
                             ★★★ 調(diào)參經(jīng)驗：sub一般設(shè)置16，不能太大或太小，且為8的倍數(shù)，其實也沒啥硬性規(guī)定，看著舒服就好
                             batch的值可以根據(jù)顯存占用情況動態(tài)調(diào)整，一次性加減sub大小即可，通常情況下batch越大越好，還需
                             注意一點，在測試的時候batch和sub都設(shè)置為1，避免發(fā)生神秘錯誤！

width=608                    ★ 網(wǎng)絡(luò)輸入的寬width
height=608                   ★ 網(wǎng)絡(luò)輸入的高height
channels=3                   ★ 網(wǎng)絡(luò)輸入的通道數(shù)channels
                             ★★★ width和height一定要為32的倍數(shù)，否則不能加載網(wǎng)絡(luò)
                             ★ 提示：width也可以設(shè)置為不等于height，通常情況下，width和height的值越大，對于小目標的識別
                             效果越好，但受到了顯存的限制，讀者可以自行嘗試不同組合
                             
momentum=0.9                 ★ 動量 DeepLearning1中最優(yōu)化方法中的動量參數(shù)，這個值影響著梯度下降到最優(yōu)值得速度
decay=0.0005                 ★ 權(quán)重衰減正則項，防止過擬合

angle=0                      ★ 數(shù)據(jù)增強參數(shù)，通過旋轉(zhuǎn)角度來生成更多訓(xùn)練樣本
saturation = 1.5             ★ 數(shù)據(jù)增強參數(shù)，通過調(diào)整飽和度來生成更多訓(xùn)練樣本
exposure = 1.5               ★ 數(shù)據(jù)增強參數(shù)，通過調(diào)整曝光量來生成更多訓(xùn)練樣本
hue=.1                       ★ 數(shù)據(jù)增強參數(shù)，通過調(diào)整色調(diào)來生成更多訓(xùn)練樣本

learning_rate=0.001          ★ 學(xué)習(xí)率決定著權(quán)值更新的速度，設(shè)置得太大會使結(jié)果超過最優(yōu)值，太小會使下降速度過慢。
                             如果僅靠人為干預(yù)調(diào)整參數(shù)，需要不斷修改學(xué)習(xí)率。剛開始訓(xùn)練時可以將學(xué)習(xí)率設(shè)置的高一點，
                             而一定輪數(shù)之后，將其減小在訓(xùn)練過程中，一般根據(jù)訓(xùn)練輪數(shù)設(shè)置動態(tài)變化的學(xué)習(xí)率。
                             剛開始訓(xùn)練時：學(xué)習(xí)率以 0.01 ~ 0.001 為宜。一定輪數(shù)過后：逐漸減緩。
                             接近訓(xùn)練結(jié)束：學(xué)習(xí)速率的衰減應(yīng)該在100倍以上。
                             學(xué)習(xí)率的調(diào)整參考https://blog.csdn.net/qq_33485434/article/details/80452941
                             ★★★ 學(xué)習(xí)率調(diào)整一定不要太死，實際訓(xùn)練過程中根據(jù)loss的變化和其他指標動態(tài)調(diào)整，手動ctrl+c結(jié)
                             束此次訓(xùn)練后，修改學(xué)習(xí)率，再加載剛才保存的模型繼續(xù)訓(xùn)練即可完成手動調(diào)參，調(diào)整的依據(jù)是根據(jù)訓(xùn)練
                             日志來，如果loss波動太大，說明學(xué)習(xí)率過大，適當減小，變?yōu)?/5，1/10均可，如果loss幾乎不變，
                             可能網(wǎng)絡(luò)已經(jīng)收斂或者陷入了局部極小，此時可以適當增大學(xué)習(xí)率，注意每次調(diào)整學(xué)習(xí)率后一定要訓(xùn)練久
                             一點，充分觀察，調(diào)參是個細活，慢慢琢磨
                             ★★ 一點小說明：實際學(xué)習(xí)率與GPU的個數(shù)有關(guān)，例如你的學(xué)習(xí)率設(shè)置為0.001，如果你有4塊GPU，那
                             真實學(xué)習(xí)率為0.001/4
burn_in=1000                 ★ 在迭代次數(shù)小于burn_in時，其學(xué)習(xí)率的更新有一種方式，大于burn_in時，才采用policy的更新方式
max_batches = 500200         ★ 訓(xùn)練次數(shù)達到max_batches后停止學(xué)習(xí)，一次為跑完一個batch

policy=steps                 ★ 學(xué)習(xí)率調(diào)整的策略：constant, steps, exp, poly, step, sig, RANDOM，constant等方式
                             參考https://nanfei.ink/2018/01/23/YOLOv2%E8%B0%83%E5%8F%82%E6%80%BB%E7%BB%93/#more
steps=400000,450000
scales=.1,.1                 ★ steps和scale是設(shè)置學(xué)習(xí)率的變化，比如迭代到400000次時，學(xué)習(xí)率衰減十倍，45000次迭代時，學(xué)
                             習(xí)率又會在前一個學(xué)習(xí)率的基礎(chǔ)上衰減十倍

[convolutional]              ★ 一層卷積層的配置說明
batch_normalize=1            ★ 是否進行BN處理，什么是BN此處不贅述，1為是，0為不是 
filters=32                   ★ 卷積核個數(shù)，也是輸出通道數(shù)
size=3                       ★ 卷積核尺寸
stride=1                     ★ 卷積步長
pad=1                        ★ 卷積時是否進行0 padding,padding的個數(shù)與卷積核尺寸有關(guān)，為size/2向下取整，如3/2=1
activation=leaky             ★ 網(wǎng)絡(luò)層激活函數(shù)
                             ★★ 卷積核尺寸3*3配合padding且步長為1時，不改變feature map的大小
                             
# Downsample
[convolutional]              ★ 下采樣層的配置說明
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky             ★★ 卷積核尺寸為3*3，配合padding且步長為2時，feature map變?yōu)樵瓉淼囊话氪笮?
[shortcut]                   ★ shotcut層配置說明
from=-3                      ★ 與前面的多少次進行融合，-3表示前面第三層
activation=linear            ★ 層次激活函數(shù)
    ......
    ......
[convolutional]              ★ YOLO層前面一層卷積層配置說明
size=1
stride=1
pad=1
filters=255                  ★ filters=num(預(yù)測框個數(shù))*(classes+5)，5的意義是4個坐標加一個置信率，論文中的tx,ty,tw,th,
                             c，classes為類別數(shù)，COCO為80,num表示YOLO中每個cell預(yù)測的框的個數(shù)，YOLOV3中為3
                             ★★★ 自己使用時，此處的值一定要根據(jù)自己的數(shù)據(jù)集進行更改，例如你識別4個類，則：
                             filters=3*(4+5)=27,三個fileters都需要修改，切記
activation=linear

[yolo]                       ★ YOLO層配置說明
mask = 0,1,2                 ★  使用anchor的索引，0，1，2表示使用下面定義的anchors中的前三個anchor
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=80                   ★ 類別數(shù)目
num=9                        ★ 每個grid cell總共預(yù)測幾個box,和anchors的數(shù)量一致。當想要使用更多anchors時需要調(diào)大num
jitter=.3                    ★ 數(shù)據(jù)增強手段，此處jitter為隨機調(diào)整寬高比的范圍，該參數(shù)不好理解，在我的源代碼注釋中有詳細說明
ignore_thresh = .7
truth_thresh = 1             ★ 參與計算的IOU閾值大小.當預(yù)測的檢測框與ground true的IOU大于ignore_thresh的時候，參與
                             loss的計算，否則，檢測框的不參與損失計算。
                             ★ 理解：目的是控制參與loss計算的檢測框的規(guī)模，當ignore_thresh過于大，接近于1的時候，那么參與
                             檢測框回歸loss的個數(shù)就會比較少，同時也容易造成過擬合；而如果ignore_thresh設(shè)置的過于小，那么
                             參與計算的會數(shù)量規(guī)模就會很大。同時也容易在進行檢測框回歸的時候造成欠擬合。
                             ★ 參數(shù)設(shè)置：一般選取0.5-0.7之間的一個值，之前的計算基礎(chǔ)都是小尺度（13*13）用的是0.7，
                             （26*26）用的是0.5。這次先將0.5更改為0.7。參考：https://www.e-learn.cn/content/qita/804953
random=1                     ★ 為1打開隨機多尺度訓(xùn)練，為0則關(guān)閉
                             ★★ 提示：當打開隨機多尺度訓(xùn)練時，前面設(shè)置的網(wǎng)絡(luò)輸入尺寸width和height其實就不起作用了，width
                             會在320到608之間隨機取值，且width=height，沒10輪隨機改變一次，一般建議可以根據(jù)自己需要修改
                             隨機尺度訓(xùn)練的范圍，這樣可以增大batch，望讀者自行嘗試！

調(diào)參經(jīng)驗:

Yolo 總結(jié)