1.yolov3-voc.cfg(參考很多文章寫的彙總，有些寫了但還是不是很懂，如果有誤請及時指正)

[net]
# Testing                                  測試模式
# batch=1
# subdivisions=1
# Training                                 訓練模式
 batch=64                                  一批訓練樣本的樣本數量，每batch個樣本更新一次引數
 subdivisions=16                           batch/subdivisions作為一次性送入訓練器的樣本數量,如果記憶體不夠大，將batch分割為subdivisions個子batch
 
                                           上面這兩個引數如果電腦記憶體小，則把batch改小一點，batch越大，訓練效果越好
                                           subdivisions越大，可以減輕顯示卡壓力
                                           
                                           
width
 
=416                                  input影象的寬
height=416                                 input影象的高
channels=3                                 input影象的通道數
 
                                           以上三個引數為輸入影象的引數資訊 width和height影響網路對輸入影象的解析度，
                                           從而影響precision，只可以設定成32的倍數
                                           
                                           
momentum
 
=0.9                               [?]DeepLearning1中最優化方法中的動量引數，這個值影響著梯度下降到最優值得速度https://nanfei.ink/2018/01/23/YOLOv2%E8%B0%83%E5%8F%82%E6%80%BB%E7%BB%93/#more
 
 
decay=0.0005                               [?]權重衰減正則項，防止過擬合.每一次學習的過程中，將學習後的引數按照固定比例進行降低，為了防止過擬合，decay引數越大對過擬合的抑制能力越強。
 
 
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                        學習率決定著權值更新的速度，設定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引數，需要不斷修改學習率。剛開始訓練時可以將學習率設定的高一點，
                                           而一定輪數之後，將其減小
                                           在訓練過程中，一般根據訓練輪數設定動態變化的學習率。
                                           剛開始訓練時：學習率以 0.01 ~ 0.001 為宜。
                                           一定輪數過後：逐漸減緩。
                                           接近訓練結束：學習速率的衰減應該在100倍以上。
                                           學習率的調整參考https://blog.csdn.net/qq_33485434/article/details/80452941
                                           
                                           
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，才採用policy的更新方式
max_batches = 20200                        訓練達到max_batches後停止學習
policy=steps                               這個是學習率調整的策略，有policy：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=40000,45000                          下面這兩個引數steps和scale是設定學習率的變化，比如迭代到40000次時，學習率衰減十倍。
scales=.1,.1                               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
 
 
 
[convolutional]
batch_normalize=1                          是否做BN
filters=32                                 輸出特徵圖的數量
size=3                                     卷積核的尺寸
stride=1                                   做卷積運算的步長
pad=1                                      如果pad為0,padding由 padding引數指定;如果pad為1，padding大小為size/2，padding應該是對輸入影象左邊緣拓展的畫素數量
activation=leaky                           啟用函式的型別
 
# Downsample
 
[convolutional]
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky
 
[convolutional]
batch_normalize=1
filters=32
size=1
stride=1
pad=1
activation=leaky
 
[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky
 
[shortcut]
from=-3
activation=linear
 
# Downsample
 
   ......
 
# Downsample
 
 
######################
 
[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky
 
[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky
 
[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky
 
[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky
 
[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky
 
[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky
 
[convolutional]
size=1
stride=1
pad=1
filters=45                          每一個[region/yolo]層前的最後一個卷積層中的 filters=(classes+1+coords)*anchors_num，
                                    其中anchors_num 是該層mask的一個值.如果沒有mask則 anchors_num=num是這層的ancho
                                    5的意義是5個座標，論文中的tx,ty,tw,th,to
activation=linear
 
[yolo]                              在yoloV2中yolo層叫region層
mask = 6,7,8                        這一層預測第6、7、8個 anchor boxes ，每個yolo層實際上只預測3個由mask定義的anchors
 
 
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
                                    [?]anchors是可以事先通過cmd指令計算出來的，是和圖片數量，width,height以及cluster(應該就是下面的num的值，
                                    即想要使用的anchors的數量)相關的預選框，可以手工挑選，也可以通過kmeans 從訓練樣本中學出
                                    
                                    
classes=10                          網路需要識別的物體種類數
num=9                               每個grid cell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，且如果調大num後訓練時Obj趨近0的話可以嘗試調大object_scale
jitter=.3                           [?]利用資料抖動產生更多資料，YOLOv2中使用的是crop，filp，以及net層的angle，flip是隨機的，
                                    jitter就是crop的引數，tiny-yolo-voc.cfg中jitter=.3，就是在0~0.3中進行crop
                                    
                                    
ignore_thresh = .5                  決定是否需要計算IOU誤差的引數，大於thresh，IOU誤差不會夾在cost function中 
truth_thresh = 1
random=0                            如果為1，每次迭代圖片大小隨機從320到608，步長為32，如果為0，每次訓練大小與輸入大小一致
 
[route]
layers = -4
 
......
 
 
#可以新增沒有標註框的圖片和其空的txt檔案，作為negative資料
#可以在第一個[yolo]層之前的倒數第二個[convolutional]層末尾新增 stopbackward=1,以此提升訓練速度
#即使在用416*416訓練完之後，也可以在cfg檔案中設定較大的width和height，增加網路對影象的解析度，從而更可能檢測出影象中的小目標，而不需要重新訓練
#Out of memory的錯誤需要通過增大subdivisions來解決

2.訓練時的引數

本來想截一個批次的但是太大了沒截全，批次大小的劃分對應上面.cfg 檔案中設定的subdivisions引數。上面的的 .cfg 檔案中 batch = 64 ，subdivision = 16，所以在訓練輸出中，訓練迭代包含了16組，每組又包含了4張圖片，跟設定的batch和subdivision的值一致。
（注： 也就是說每輪迭代會從所有訓練集裡隨機抽取 batch = 64 個樣本參與訓練，所有這些 batch 個樣本又被均分為 subdivision = 16 次送入網路參與訓練，以減輕記憶體佔用的壓力）

此處有16*3條資訊，每組包含三條資訊，分別是：
Region 82 Avg IOU:
Region 94 Avg IOU:
Region 106 Avg IOU:
三個尺度上預測不同大小的框 82卷積層 為最大的預測尺度，使用較大的mask，但是可以預測出較小的物體 94卷積層 為中間的預測尺度，使用中等的mask， 106卷積層為最小的預測尺度，使用較小的mask，可以預測出較大的物體

批輸出

針對上圖中最後一行中的資訊。如下的輸出是由 detector.c 生成的
20001： 指示當前訓練的迭代次數
0.048537： 是總體的Loss
0.048537avg： 是平均Loss（這個數值應該越低越好，一般來說，一旦這個數值低於0.060730 avg就可以終止訓練了）
0.002000 rate： 代表當前的學習率，在.cfg檔案中定義了它的初始值和調整策略。
3.904890 seconds： 表示當前批次訓練花費的總時間。
2560128 images：表示到目前為止，參與訓練的圖片的總量，是批次*batch的大小（因為我之前訓練到20200次後中斷過又從20000次開始的所以2560128=20001*64*2，我是這樣理解的不知道對不對）

快輸出

Region Avg IOU: 0.900319： 表示在當前subdivision內的圖片的平均IOU，代表預測的矩形框和真實目標的交集與並集之比，這裡是90.03%，很高了吧。
Class: 0.999576： 標註物體分類的正確率，期望該值趨近於1。
Obj: 0.991654： 越接近1越好。
No Obj: 0.000033： 期望該值越來越小，但不為零。

.5R:1.000000:以IOU=0.5為閾值時候的recall; recall = 檢出的正樣本/實際的正樣本

.75R:1.000000：以IOU=0.75為閾值時候的recall
count: 1：count後的值表示所有的當前subdivision圖片（本例中一共4張）中包含正樣本的圖片的數量。在輸出log中的其他行中，可以看到其他subdivision也有0、2、3、4，說明在subdivision中含有不含檢測物件的圖片。

參考了很多文章，感謝，有誤請指正