yolov3-voc.cfg 參數超詳細說明
[net] # [xxx]開始的行表示網絡的一層，其後的內容爲該層的參數配置，[net]爲特殊的層，配置整個網絡
# Testing # 測試模式，batch 和 subdivisions 通常都爲1
batch=1
subdivisions=1
# Training # 訓練模式，batch 和 subdivisions 須要本身選取。
# batch=64 # batch 爲每一次迭代送到網絡的圖片數量，也叫批數量。
# 增大 batch 可讓網絡在較少的迭代次數內完成一個 epoch。
# 1個 epoch 就是使用訓練集中的所有樣本訓練一次。
# 在固定最大迭代次數的前提下，增長 batch 會延長訓練時間，但會更好的尋找到梯度降低的方向。
# 顯存容許的狀況下，能夠適當增大 batch 來提升內存利用率和訓練效果，一般 batch 越大越好。
# 這個值是須要你們不斷嘗試選取的，太小的話會讓訓練不夠收斂，過大會陷入局部最優。
# subdivisions=16 # 表示將一個 batch 的圖片分 subdivisions 份放進網絡裏，
# 一份一份的跑完後，再一塊兒打包算做完成一次 iteration。
# 1個 iteration 就是使用 batch 個樣本訓練一次。
# 注意 batch 要是 subdivisions 的整數倍
# subdivisions 越大，能夠減輕 CPU/GPU 的壓力。
# （分組數目越多，每組樣本數量則會更少，顯卡壓力也會相應減小）
----------------------------------------------------------------------------------------------------------------
width=416 # 輸入圖像的寬
height=416 # 輸入圖像的高
# 如顯存容許，width 和 height 的值越大，對於小目標的識別效果越好。
# width 和 height 影響網絡對輸入圖像的分辨率，從而影響precision，只能夠設置成32的倍數,
# 因下采樣參數是32，故不一樣尺寸的圖像也選擇爲 32 的倍數(320，352…608)，最小320，最大608。
# width 和 height 能夠不相等。
channels=3 # 輸入圖像的通道數，3爲RGB彩色圖片，1爲灰度圖，4爲RGBA圖，A通道表示透明度
----------------------------------------------------------------------------------------------------------------
momentum=0.9 # DeepLearning1中最優化方法中的動量參數，這個值影響着梯度降低到最優值得速度
# 注：SGD方法的一個缺點是其更新方向徹底依賴於當前 batch 計算出的梯度，於是十分不穩定。
# momentum 算法借用了物理中的動量概念，它模擬的是物體運動時的慣性，
# 即更新的時候在必定程度上保留以前更新的方向，同時利用當前batch的梯度微調最終的更新方向。
# 這樣一來，能夠在必定程度上增長穩定性，從而學習地更快，而且還有必定擺脫局部最優的能力。
decay=0.0005 # 權重衰減正則項，防止過擬合。大的權值會使得系統出現overfitting，下降其泛化性能。
# 所以，爲了不出現 overfitting，會給偏差函數添加一個懲罰項，
# 經常使用的懲罰項是全部權重的平方乘以一個衰減常量之和。用來懲罰大的權值。
# 權值衰減懲罰項使得權值收斂到較小的絕對值，從而懲罰大的權值。
# decay參數越大對過擬合的抑制能力越強
----------------------------------------------------------------------------------------------------------------
angle=0 # 數據加強參數，經過隨機旋轉[-angle,angle]度來生成更多訓練樣本
saturation = 1.5 # 數據加強參數，經過調整飽和度來生成更多訓練樣本
exposure = 1.5 # 數據加強參數，經過調整曝光度來生成更多訓練樣本
hue=.1 # 數據加強參數，經過調整色調來生成更多訓練樣本
# 每次迭代中，會基於角度、飽和度、曝光度、色調產生新的訓練樣本，能夠防止過擬合。
----------------------------------------------------------------------------------------------------------------
learning_rate=0.001 # 學習率，決定着權值更新的速度，設置得太大會使結果超過最優值，過小會使降低速度過慢。
# 學習率決定了參數移動到最優值的速度快慢，若是學習率過大，
# 極可能會越過最優值致使函數沒法收斂，甚至發散；反之，若是學習率太小，優化的效率可能太低，
# 算法長時間沒法收斂，也易使算法陷入局部最優（非凸函數不能保證達到全局最優）。
# 合適的學習率應該是在保證收斂的前提下，能儘快收斂。
# 設置較好的learning rate，須要不斷嘗試。在一開始的時候，能夠將其設大一點，
# 這樣可使weights快一點發生改變，在迭代必定的epochs以後人工減少學習率，
# 通常根據訓練輪數設置動態變化的學習率。在yolo訓練中，網絡訓練160epoches，
# 初始學習率爲0.001，在60和90epochs時將學習率除以10。
# 接近訓練結束：學習速率的衰減應該在100倍以上。
# 學習率調整不要太死，實際訓練過程當中根據loss的變化和其餘指標動態調整，手動ctrl+c結束這次訓練後，
# 修改學習率，再加載剛纔保存的模型繼續訓練便可完成手動調參，調整的依據是根據訓練日誌來，
# 若是loss波動太大，說明學習率過大，適當減少，變爲1/5，1/10都可，若是loss幾乎不變，
# 可能網絡已經收斂或者陷入了局部極小，此時能夠適當增大學習率，注意每次調整學習率後必定要訓練久一點，
# 充分觀察，調參是個細活，屢次實踐體會，慢慢琢磨。
# 實際學習率與GPU的個數有關，例如你的學習率設置爲0.001，若是你有4塊GPU，那真實學習率爲0.001/4。
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，採用policy的更新方式
#***這裏以前的更新方式不知道什麼*****************************************
max_batches = 50200 # 訓練次數達到max_batches後中止學習，一次爲跑完一個batch
policy=steps # 學習率調整的策略：constant, steps, exp, poly, step, sig, RANDOM，constant等方式
steps=40000,45000
scales=.1,.1 # steps和scale是設置學習率的變化，好比迭代到40000次時，學習率衰減10倍，
# 45000次迭代時，學習率又會在前一個學習率的基礎上衰減10倍。
----------------------------------------------------------------------------------------------------------------
[convolutional] # 一層卷積層的配置說明，直到下一個[XXX]，都是該層的配置
batch_normalize=1 # 是否進行BN處理，關於BN，https://www.cnblogs.com/eilearn/p/9780696.html
filters=32 # 卷積核個數，也是輸出通道數，輸出特徵圖數量
size=3 # 卷積核尺寸，這裏是3*3
stride=1 # 卷積步長
pad=1 # 若是 pad 爲0，padding由 padding 參數指定。
# 若是 pad 爲1，padding大小爲size/2向下取整，如3/2=1。
activation=leaky # 網絡層激活函數，常見激活函數以下：
# logistic，loggy，relu，elu，relie，plse，
# hardtan，lhtan，linear，ramp，leaky，tanh，stair
[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] # shotcut 層配置說明
# shortcut 部分是卷積的跨層鏈接，就像 Resnet 中使用的同樣，
# 本層的輸入與輸出通常保持一致，而且不進行其餘操做，只是求差。
from=-3 # 參數 from 是 −3，意思是 shortcut 層前面倒數第3層網絡的輸出做爲本層的輸入。
activation=linear # 層次激活函數
# 關於 shortcut，https://cloud.tencent.com/developer/article/1148375
----------------------------------------------------------------------------------------------------------------
...... # 這裏還有若干層，參數同樣，不贅述
......
......
----------------------------------------------------------------------------------------------------------------
[convolutional] # YOLO層前面一層卷積層配置說明
size=1
stride=1
pad=1
filters=75 # 這一層的filters須要根據公式設置
# filters = (classes + 5) * anchors_num
# classes 爲類別數，與下面yolo層的classes一致，
# 5 的意義是4個座標加一個置信率，論文中的tx,ty,tw,th,to
# anchors_num 表示YOLO中每一個cell預測框的個數，YOLOV3中爲3
# 此處 filters = (20 + 5) * 3 = 75
activation=linear
----------------------------------------------------------------------------------------------------------------
[yolo] # [yolo/region]層配置說明，在yoloV2中yolo層叫region層
mask = 6,7,8 # 使用 anchor 的索引，從0開始，6,7,8表示使用下面定義的anchors中的最後三個 anchor
anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 # 預測框的初始寬高，
# 第一個是w，第二個是h
classes=20 # 類別數目
num=9 # 每一個grid cell總共預測幾個box,和anchors的數量一致。當想要使用更多anchors時須要調大num
jitter=.3 # 利用抖動產生更多訓練樣本，YOLOv2中使用的是crop，filp，以及net層的angle
ignore_thresh = .5 # ignore_thresh 指得是參與計算的IOU的閾值大小。
# 當IOU大於ignore_thresh，不會參與loss的計算，不然，檢測框將會參與損失計算。
# 關於 IOU，https://www.cnblogs.com/darkknightzh/p/9043395.html
# 參數目的和理解：目的是控制參與loss計算的檢測框的規模，當ignore_thresh過大，
# 接近於1的時候，那麼參與檢測框迴歸loss的個數就會比較少，同時也容易形成過擬合；
# 而若是ignore_thresh設置的太小，那麼參與計算的檢測框迴歸loss數量規模就會很大。
# 同時也容易在進行檢測框迴歸的時候形成欠擬合。
# 參數設置：通常選取0.5-0.7之間的一個值
truth_thresh = 1
random=1 # 爲1打開隨機多尺度訓練，爲 0 則關閉
# 提示：當打開隨機多尺度訓練時，前面設置的網絡輸入尺寸width和height其實就不起做用了，
# width會在320到608之間隨機取值，且width=height，
# 每10輪隨機改變一次，能夠根據本身須要修改隨機尺度訓練的範圍，這樣能夠增大batch
----------------------------------------------------------------------------------------------------------------
[route] # 看到有人講這一層是融合層，就是把層進行合併，而後輸出到下一層
layers = -4 # 將本層前面倒數第4層的輸出做爲本層的輸出
# 若是layers = -1, 61 則表示將本層的上一層與整個網絡的第61層的輸出相做爲本層輸出
# 相加規則爲：如上一層的輸出爲52 x 52 x 128，第61層的輸出爲52 x 52 x 256
# 則本層輸出爲52 x 52 x (128+256)，因此route的兩層的 weight 和 height 必須相等
# 若不相等，則本層輸出爲 0 x 0 x 0，下一層得不到有效輸入，
# 就會報 Layer before convolutional must output image. 而後中止
**********************************************************
[upsample] # 上採樣層
stride=2 # 卷積步長
# 參考：
# https://www.cnblogs.com/hls91/p/10911997.html
# https://blog.csdn.net/qq_35872456/article/details/84216129
# https://blog.csdn.net/phinoo/article/details/83022101
複製代碼
相關文章
- 1. mysqldump參數詳細說明
- 2. sftp詳細參數說明
- 3. JQuery Datatables Columns API 參數詳細說明
- 4. Kafka配置參數詳細說明
- 5. mysqldump參數詳細說明(轉)
- 6. FFmpeg介紹及參數詳細說明
- 7. JVM參數詳細配置說明
- 8. git add 命令參數詳細說明
- 9. jQuery dialog參數詳細說明
- 10. Markdown超詳細使用說明
- 更多相關文章...
- • Eclipse 窗口說明 - Eclipse 教程
- • PHP EOF(heredoc) 使用說明 - PHP教程
- • Flink 數據傳輸及反壓詳解
- • Github 簡明教程
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章