1.cfg檔案裡的batch就是batch_size，subdivisions只是在視訊記憶體不足的情況下把batch分批放入訓練。      ？現在懷疑batch_size = batch/subdivisions。昨天跑的一個訓練如果batch = batch_size的話那大約有80個epoch，但還是明顯欠擬合，loss很高。所以還在疑惑？？？

2.epoch = max_batches/(images/bach)   ——  暫時理解應該是這樣？

3.max_batches = max_iterations

4.訓練的時候batch在小於1000次時每100次儲存模型，大於1000後每10000次儲存一次模型。可以通過修改/examples/detector.c中的train_detector函式來自己決定多少張圖儲存一次模型。

5.假設steps = 10000 , scale = .1 ，那意思就是迭代到10000次時學習率衰減10倍。如果調整max_baches的大小，需要同時調整steps，而scale可以自己決定修不修改。

6.訓練的時候若資料集小目標較少，106層會大概率輸出nan，這是資料集的問題。如果資料集沒有問題，可以通過調大batch或者調小learning_rate來解決。（yolo的訓練調參略煩）

7.github上暫時還沒有發現在pytorch框架下較好用的訓練程式碼，嘗試著跑了兩個，效果不好，所以還是使用darknet來進行訓練。

8.使用voc_label.py輸出的是絕對路徑。

9.訓練的時候用 ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 2>1 | tee person_train.txt 儲存訓練內容

10.由於資料集的問題沒有小目標，嘗試使用三個資料集一起訓練但大幅輸出nan，表示訓練很糟糕。所以在原有第一個資料集訓練最後儲存的模型的基礎上，進行後續訓練。也就是把預訓練權重換成自己的xxx.weights，訓練的輸出暫時看起來較為正常，等訓練完成了看結果好壞。（同時需要調整cfg檔案的max_batches，比如第一次訓練完儲存的是100000次，生成了final.weights，那麼接下去訓練就需要把cfg調大超過10w次，不然會直接儲存。）

後續補充，新手入門各種踩坑。。