對代碼中配置文件yolov3.cfg部分解釋：
# Testing(此處下面的兩行，測試的時候開啟即可) #batch=1 # 每batch個樣本更新一次參數。 #subdivisions=1 # 如果內存不夠大，將batch分割為subdivisions個子batch，每個子batch的大小為batch/subdivisions。 # Training(此處下面的兩行，訓練的時候開啟即可) batch=64 # 表示網絡積累多少個樣本后進行一次正向傳播 subdivisions=16 # 將一個batch的圖片分sub次完成網絡的正向傳播 width=416 # 輸入圖像的寬 height=416 # 輸入圖像的高 channels=3 # 輸入圖像的通道數 momentum=0.9 # 動量系數 decay=0.0005 # 權重衰減正則項，防止過擬合 # 下面四行，是數據增強的參數 angle=0 # 通過旋轉角度來生成更多訓練樣本 saturation = 1.5 # 通過調整飽和度來生成更多訓練樣本 exposure = 1.5 # 通過調整曝光量來生成更多訓練樣本 hue=.1 # 通過調整色調來生成更多訓練樣本 learning_rate=0.001 # 初始學習率 burn_in=1000 # max_batches = 500200 # 訓練達到max_batches后停止學習 policy=steps # 調整學習率的policy，有如下policy：CONSTANT, STEP, EXP, POLY, STEPS, SIG, RANDOM steps=400000,450000 # 根據batch_num調整學習率 scales=.1,.1 # 學習率變化的比例，累計相乘 [convolutional] batch_normalize=1 # 是否做BN filters=32 # 卷積核的個數，也是輸出的特征圖的維度 size=3 # 卷積核的尺寸3*3 stride=1 # 做卷積運算的步長 pad=1 # 如果pad為0,padding由 padding參數指定。如果pad為1，padding大小為size/2 activation=leaky # 常用激活函數：logistic，relu，leaky，tanh
[net]
batch=64 表示網絡積累多少個樣本后進行一次BP
subdivisions=16 這個參數表示將一個batch的圖片分sub次完成網絡的前向傳播，程中將一次性加載64張圖片進內存，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
調參經驗：sub一般設置16，不能太大或太小，且為8的倍數，其實也沒啥硬性規定，看着舒服就好
batch的值可以根據顯存占用情況動態調整，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都設置為1，避免發生神秘錯誤！
width=608 網絡輸入的寬width
height=608 網絡輸入的高height
channels=3 網絡輸入的通道數channels
width和height一定要為32的倍數，否則不能加載網絡
提示：width也可以設置為不等於height，通常情況下，width和height的值越大，對於小目標的識別
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中最優化方法中的動量參數，這個值影響着梯度下降到最優值得速度
decay=0.0005 權重衰減正則項，防止過擬合
angle=0 數據增強參數，通過旋轉角度來生成更多訓練樣本
saturation = 1.5 數據增強參數，通過調整飽和度來生成更多訓練樣本
exposure = 1.5 數據增強參數，通過調整曝光量來生成更多訓練樣本
hue=.1 數據增強參數，通過調整色調來生成更多訓練樣本
learning_rate=0.001 學習率決定着權值更新的速度，設置得太大會使結果超過最優值，太小會使下降速度過慢。
如果僅靠人為干預調整參數，需要不斷修改學習率。剛開始訓練時可以將學習率設置的高一點，
而一定輪數之后，將其減小在訓練過程中，一般根據訓練輪數設置動態變化的學習率。
剛開始訓練時：學習率以 0.01 ~ 0.001 為宜。一定輪數過后：逐漸減緩。
接近訓練結束：學習速率的衰減應該在100倍以上。
學習率調整一定不要太死，實際訓練過程中根據loss的變化和其他指標動態調整，手動ctrl+c結
束此次訓練后，修改學習率，再加載剛才保存的模型繼續訓練即可完成手動調參，調整的依據是根據訓練
日志來，如果loss波動太大，說明學習率過大，適當減小，變為1/5，1/10均可，如果loss幾乎不變，
可能網絡已經收斂或者陷入了局部極小，此時可以適當增大學習率，注意每次調整學習率后一定要訓練久
一點，充分觀察，調參是個細活，慢慢琢磨
一點小說明：實際學習率與GPU的個數有關，例如你的學習率設置為0.001，如果你有4塊GPU，那
真實學習率為0.001/4
burn_in=1000 在迭代次數小於burn_in時，其學習率的更新有一種方式，大於burn_in時，才采用policy的更新方式
max_batches = 500200 訓練次數達到max_batches后停止學習，一次為跑完一個batch
policy=steps 學習率調整的策略：constant, steps, exp, poly, step, sig, RANDOM，constant等方式
steps=400000,450000 steps和scale是設置學習率的變化，比如迭代到400000次時，學習率衰減十倍，45000次迭代時，學
scales=.1,.1 習率又會在前一個學習率的基礎上衰減十倍
[convolutional]為卷積層，詳細注釋如下:
[convolutional] 一層卷積層的配置說明
batch_normalize=1 是否進行BN處理
filters=32 卷積核個數，也是輸出通道數
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的個數與卷積核尺寸有關，為size/2向下取整，如3/2=1
activation=leaky 網絡層激活函數
卷積核尺寸3*3配合padding且步長為1時，不改變feature map的大小
[shortcut]層詳細注釋如下:
[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
[yolo]層詳細注釋如下:
[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 類別數目
num=9 每個grid cell總共預測幾個box,和anchors的數量一致。當想要使用更多anchors時需要調大num
jitter=.3 數據增強手段，此處jitter為隨機調整寬高比的范圍
ignore_thresh = .7
truth_thresh = 1 參與計算的IOU閾值大小.當預測的檢測框與ground truth的IOU大於ignore_thresh的時候，參與
loss的計算，否則，檢測框的不參與loss計算。
理解：目的是控制參與loss計算的檢測框的規模，當ignore_thresh過於大，接近於1的時候，那么參與
檢測框回歸loss的個數就會比較少，同時也容易造成過擬合；而如果ignore_thresh設置的過於小，那么
參與計算的會數量規模就會很大。同時也容易在進行檢測框回歸的時候造成欠擬合。
參數設置：一般選取0.5-0.7之間的一個值，之前的計算基礎都是小尺度（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。
random=1 為1打開隨機多尺度訓練，為0則關閉
提示：當打開隨機多尺度訓練時，前面設置的網絡輸入尺寸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，一般建議可以根據自己需要修改
隨機尺度訓練的范圍，這樣可以增大batch
調參經驗：[1]
- 在Darknet中，batch和subdivisions是結合使用的，例如這兒的batch=64，subdivisions=16表示訓練的過程中將一次性加載64張圖片進內存，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。
- subdivisions一般設置16，根據嘗試，通常設置為8的倍數，batch的值可以根據顯存占用情況動態調整，一次性加減subdivisions大小即可，通常情況下batch越大越好，還需注意一點，在測試的時候修改batch和subdivisions參數為1，避免發生錯誤。
- width也可以設置為不等於height，通常情況下，width和height的值越大，對於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。
- 一次為跑完一個batch，訓練次數達到max_batches后停止學習。max_batches的數量為檢測的目標數 * 2000 ，如果數據量比較小的時候，max_batches是因該設置大一些，要不然會發生欠擬合。
- momentum動量系數，DeepLearning中最優化方法中的動量參數，這個值影響着梯度下降到最優值得速度。
- 實際學習率learning_rate與GPU的個數有關，例如你的學習率設置為0.001，如果你有4塊GPU，那真實學習率為0.001/4。
- 在迭代次數小於burn_in時，其學習率的更新有一種方式，大於burn_in時，才采用下面的policy的更新方式。
- policy學習率調整的策略：constant, steps, exp, poly, step, sig, RANDOM，constant等方式。
- steps和scale是設置學習率的變化，比如迭代到400000次時，學習率衰減十倍，45000次迭代時，學習率又會在前一個學習率的基礎上衰減十倍。
訓練一次迭代的log 圖1
| 如果你看到avg loss =nan 說明訓練錯誤; 某一行的Class=-nan說明目標太大或者太小，某個尺度檢測不到,屬於正常 | |
|---|---|
| 什么時候應該停止訓練? | 當loss不在下降或者下降極慢的情況可以停止訓練，一般loss=0.7左右就可以了 |
| 在訓練集上測試正確率很高，在其他測試集上測試效果很差，說明過擬合了。 | 提前停止訓練，或者增大樣本數量訓練 |
| 如何提高目標檢測正確率包括IOU，分類正確率 | 設置yolo層 random =1，增加不同的分辨率。或者增大圖片本身分辨率。或者根據你自定義的數據集去重新計算anchor尺寸（darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416 then set the same 9 anchors in each of 3 [yolo]-layers in your cfg-file） |
| 如何增加訓練樣本？ | 樣本特點盡量多樣化，亮度，旋轉，背景，目標位置，尺寸 添加沒有標注框的圖片和其空的txt文件，作為negative數據 |
| 訓練的圖片較小，但是實際檢測圖片大，怎么檢測小目標 | 1.使在用416*416訓練完之后，也可以在cfg文件中設置較大的width和height，增加網絡對圖像的分辨率，從而更可能檢測出圖像中的小目標，而不需要重新訓練 2. set `[route] layers = -1, 11` set ` [upsample] stride=4`
|
| 網絡模型耗費資源多大？ （我用過就兩個） |
[yolov3.cfg] [236MB COCO-91類] [4GB GPU-RAM] [yolov3.cfg] [194MB VOC-20類] [4GB GPU-RAM]
[yolov3-tiny.cfg] [34MB COCO-91類] [1GB GPU-RAM] [yolov3-tiny.cfg] [26MB VOC-20類] [1GB GPU-RAM] |
| 多GPU怎么訓練 |
darknet.exe detector train data/voc.data cfg/yolov3-voc.cfg /backup/yolov3-voc_1000.weights -gpus 0,1,2,3 |
| 有哪些命令行來對神經網絡進行訓練和測試？ | 1.檢測圖片： build\darknet\x64\darknet.exe detector test data/coco.data cfg/yolov3.cfg yolov3.weights -thresh 0.25 xxx.jpg 2.檢測視頻：將test 改為 demo ; xxx.jpg 改為xxx.mp4 3.調用網絡攝像頭：將xxx.mp4 改為 http://192.168.0.80:8080/video?dummy=x.mjpg -i 0 4.批量檢測：-dont_show -ext_output < data/train.txt > result.txt 5.手持端網絡攝像頭：下載mjpeg-stream 軟件, xxx.jpg 改為 IP Webcam / Smart WebCam
|
| 如何評價模型好壞 | build\darknet\x64\darknet.exe detector map data\defect.data cfg\yolov3.cfg backup\yolov3.weights
利用上面命令計算各權重文件，選擇具有最高IoU（聯合的交集）和mAP（平均精度）的權重文件 |