【YOLO】YOLO网络中参数的解读

最新推荐文章于 2025-07-17 12:02:27 发布

Jinlong_Xu

最新推荐文章于 2025-07-17 12:02:27 发布

阅读量1.8w

点赞数 8

CC 4.0 BY-SA版权

分类专栏： YOLO系列

本文链接：https://blog.youkuaiyun.com/jinlong_xu/article/details/76375334

本文详细解析了YOLO网络中的关键参数，包括Batch_Size、subdivisions、冲量-momentum、权值衰减-weight decay等，阐述了它们的作用和调整策略。还介绍了如angle、饱和度、曝光和色调等数据增强参数，以及学习率、最大迭代次数和学习率调整策略。同时讨论了anchors、reorg layer和route layer等特定层的功能，帮助理解YOLO模型的训练过程和性能优化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.Batch_Size(批尺寸)
该参数主要用于批梯度下降算法(Batch Gradient Descent)中，批梯度下降算法是每次迭代都遍历批中的所有样本，由批中的样本共同决定最优的方向，Batch_Size 正是批中的样本数量。

若数据集比较小，可以采用全数据集(Full Batch Learning)的形式，由全数据确定的方向能更好地代表样本总体，从而更准确地朝向极值所在的方向；但该种方式并不适用于大数据集；
另一个极端是每次只训练一个样本，即Batch_Size=1，每次修正方向以各自样本的梯度方向修正，横冲直撞各自为政，难以达到收敛。
在合理范围内增大Batch_Size,可以
（1）提高内存利用率，进而提高大矩阵乘法的并行效率；
（2）跑完一次epoch（全数据集）所需的迭代次数减少，对于相同数据量的处理速度进一步加快；
（3）在一定范围内，一般来说Batch_Size越大，其确定的下降方向越准，引起的训练震荡越小。
盲目增大Batch_Size的坏处：
（1）超出内存容量；
（2）跑完一次epoch(全数据集)所需的迭代次数减小，要想达到相同的精度，所需要的epoch数量越多，对参数的修正更加缓慢；