yoloV3参数理解及注释

最新推荐文章于 2025-07-11 11:04:11 发布
原创
最新推荐文章于 2025-07-11 11:04:11 发布 · 2.4w 阅读
78 ·
CC 4.0 BY-SA版权
不对的地方求各位纠正
[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=64   				一批训练样本的样本数量，每batch个样本更新一次参数
subdivisions=64				batch/subdivisions作为一次性送入训练器的样本数量
					如果内存不够大，将batch分割为subdivisions个子batch
 
					上面这两个参数如果电脑内存小，则把batch改小一点，batch越大，训练效果越好
					subdivisions越大，可以减轻显卡压力

width=416			
height=416
channels=3
					以上三个参数为输入图像的参数信息 width和height影响网络对输入图像的分辨率，
					从而影响precision，只可以设置成32的倍数

momentum=0.9				DeepLearning1中最优化方法中的动量参数，这个值影响着梯度下降到最优值得速度  
decay=0.0005				权重衰减正则项，防止过拟合
angle=0					通过旋转角度来生成更多训练样本
saturation = 1.5			通过调整饱和度来生成更多训练样本
exposure = 1.5				通过调整曝光量来生成更多训练样本
hue=.1					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，设置得太大会使结果超过最优值，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.youkuaiyun.com/qq_33485434/article/details/80452941

burn_in=1000				在迭代次数小于burn_in时，其学习率的更新有一种方式，大于burn_in时，才采用policy的更新方式
max_batches = 500200		        训练达到max_batches后停止学习
policy=steps				这个是学习率调整的策略，有policy：constant, steps, exp, poly, step, sig, RANDOM，constant等方式
					参考https://nanfei.ink/2018/01/23/YOLOv2%E8%B0%83%E5%8F%82%E6%80%BB%E7%BB%93/#more
steps=40000,45000			下面这两个参数steps和scale是设置学习率的变化，比如迭代到40000次时，学习率衰减十倍。
scales=.1,.1				45000次迭代时，学习率又会在前一个学习率的基础上衰减十倍

[convolutional]
batch_normalize=1 			？
filters=32			        输出特征图的数量
size=3					卷积核的尺寸
stride=1				做卷积运算的步长
pad=1					如果pad为0,padding由 padding参数指定。
					如果pad为1，padding大小为size/2，padding应该是对输入图像左边缘拓展的像素数量
activation=leaky			激活函数的类型

# 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

[convolutional]
batch_normalize=1
filters=128
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

# Downsample

[convolutional]
batch_normalize=1
filters=256
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear


[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

# Downsample

[convolutional]
batch_normalize=1
filters=512
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters