前段时间模型训练出来了，现在需要写报告了，打开配置文件，嗯，一大堆参数：
所以，行吧，重头仔细看一遍参数具体含义
先放一篇参考博客：
https://blog.csdn.net/weixin_42731241/article/details/81474920
稍加整理：
batch=64 单批训练样本的样本数量，每batch个样本更新一次参数 subdivisions=32 batch/subdivisions 作为一次性送入训练器的样本数量,如果内存不够大，将batch分割为subdivisions个子batch（实验室内存应该足够） 上面这两个参数如果电脑内存小，则把batch改小一点，batch越大，训练效果越好 subdivisions 越大，可以减轻显卡压力（显卡不大懂，不过应该也没压力） width=416 input图像的宽 height=416 input图像的高 channels=3 input图像的通道数（这仨参数应该很好理解，通道就是颜色数） 以上三个参数为输入图像的参数信息 width和height影响网络对输入图像的分辨率， 从而影响precision，只可以设置成32的倍数（32*13=416） momentum=0.9 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.每一次学习的过程中，将学习后的参数按照固定比例进行降低，为了防止过拟合， decay参数越大对过拟合的抑制能力越强。 angle=0 通过旋转角度来生成更多训练样本 saturation = 1.5 通过调整饱和度来生成更多训练样本 exposure = 1.5 通过调整曝光量来生成更多训练样本 hue=.1 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。开始训练时可以将学习率设置的高一点。 以 0.01 ~ 0.001 为宜。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 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 = 20200 训练达到max_batches后停止学习 policy=steps 这个是学习率调整的策略，有policy：constant, steps, exp, poly, step, sig, RANDOM，constant等方式 参考https://nanfei.ink/2018/01/23/YOLOv2%E8%B0%83%E5%8F%82%E6%80%BB%E7%BB%93/#more steps=40000,45000 下面这两个参数steps和scale是设置学习率的变化，比如迭代到40000次时，学习率衰减十倍。 scales=.1,.1 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] batch_normalize=1 是否做BN filters=32 输出特征图的数量 size=3 卷积核的尺寸 stride=1 做卷积运算的步长 pad=1 如果pad为0,padding由 padding参数指定; 如果pad为1，padding大小为size/2，padding应该是对输入图像左边缘拓展的像素数量 activation=leaky 激活函数的类型 。。。。。。。。。。。。此处省略若干行 [convolutional] size=1 stride=1 pad=1 filters=45 每一个[region/yolo]层前的最后一个卷积层中的 filters=(classes+1+coords)*anchors_num， 其中anchors_num 是该层mask的一个值.如果没有mask则 anchors_num=num是这层的ancho 5的意义是5个坐标，论文中的tx,ty,tw,th,to activation=linear [yolo] 在yoloV2中yolo层叫region层 mask = 6,7,8 这一层预测第6、7、8个 anchor boxes ，每个yolo层实际上只预测3个由mask定义的anchors anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 anchors是可以事先通过cmd指令计算出来的，是和图片数量，width,height 以及cluster(应该就是下面的num的值，即想要使用的anchors的数量)相关的预选框， 可以手工挑选，也可以通过kmeans 从训练样本中学出 classes=10 网络需要识别的物体种类数 num=9 每个grid cell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，且如果调大num后训练时Obj趋近0的话可以尝试调大object_scale jitter=.3 [?]利用数据抖动产生更多数据，YOLOv2中使用的是crop，filp，以及net层的angle，flip是随机的， jitter就是crop的参数，tiny-yolo-voc.cfg中jitter=.3，就是在0~0.3中进行crop ignore_thresh = .5 决定是否需要计算IOU误差的参数，大于thresh，IOU误差不会夹在cost function中 truth_thresh = 1 random=0 如果为1，每次迭代图片大小随机从320到608，步长为32，如果为0，每次训练大小与输入大小一致 据说random设置成1，可以增加检测精度precision [route] layers = -4 #可以添加没有标注框的图片和其空的txt文件，作为negative数据 #可以在第一个[yolo]层之前的倒数第二个[convolutional]层末尾添加 stopbackward=1,以此提升训练速度 #即使在用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 #Out of memory的错误需要通过增大subdivisions来解决
差不多这些了，看网上的参数大同小异。
然后是语句整理：
修改之后：
