[net] # Testing #batch=1 #subdivisions=1 # Training batch=64 //一批訓練樣本的樣本數量，測試時batch和subdivisions以上面部分為准 subdivisions=16 width=608 //width，height固定圖片尺寸 height=608 channels=3 momentum=0.949 //動量參數 decay=0.0005 //權重衰減正則項 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 //學習李 burn_in=1000 //迭代次數閾值，大於該閾值和小於該閾值有不同的方式 max_batches = 500500 //最大訓練次數 policy=steps steps=400000,450000 //steps和scale是設置學習率的變化，迭代400000次和450000次后學習率分別衰減十倍 scales=.1,.1 #cutmix=1 mosaic=1 //馬賽克數據增強 #:104x104 54:52x52 85:26x26 104:13x13 for 416 ```c ... [convolutional] batch_normalize=1 // filters=32 //卷積核個數，輸出通道數 size=3 //卷積核尺寸 stride=1 //卷積核步長 pad=1 //是否補零 activation=mish //網絡層激活函數
跳躍連接
[shortcut] from=-3 //前面第3層，跳躍連接 activation=linear //層激活i函數
三個yolo層
[yolo]
mask = 0,1,2 //做3個索引
anchors = 12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401
classes=80 //目標類別數
num=9 //每個cell預測的框的個數
jitter=.3 //數據增強手段，隨機調整長寬高比例
ignore_thresh = .7 //低於這個值的IoU忽略
truth_thresh = 1
scale_x_y = 1.2
iou_thresh=0.213
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
nms_kind=greedynms
beta_nms=0.6
max_delta=5
[route]
layers = -4 //只有一個值時輸出該值索引的圖層特征圖
//兩個值時返回值索引的層的拼接特征圖