darknet yolov3配置文件参数说明

[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

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,718评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,683评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,207评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,755评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,862评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,050评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,136评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,882评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,330评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,651评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,789评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,477评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,135评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,864评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,099评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,598评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,697评论 2 351