YOLOV3中Darknet中cfg文件说明和理解

今天将要说明的是Darknet中的cfg文件,废话少说,直接干!(以cfg/yolov3.cfg为例,其它类似)

 

[net]                        ★ [xxx]开始的行表示网络的一层,其后的内容为该层的参数配置,[net]为特殊的层,配置整个网络

# Testing                    ★ #号开头的行为注释行,在解析cfg的文件时会忽略该行

# batch=1

# subdivisions=1

# Training

batch=64                     ★ 这儿batch与机器学习中的batch有少许差别,仅表示网络积累多少个样本后进行一次BP 

subdivisions=16              ★ 这个参数表示将一个batch的图片分sub次完成网络的前向传播

                             ★★ 敲黑板:在Darknet中,batch和sub是结合使用的,例如这儿的batch=64,sub=16表示训练的过

                             程中将一次性加载64张图片进内存,然后分16次完成前向传播,意思是每次4张,前向传播的循环过程中

                             累加loss求平均,待64张图片都完成前向传播后,再一次性后传更新参数

                             ★★★ 调参经验:sub一般设置16,不能太大或太小,且为8的倍数,其实也没啥硬性规定,看着舒服就好

                             batch的值可以根据显存占用情况动态调整,一次性加减sub大小即可,通常情况下batch越大越好,还需

                             注意一点,在测试的时候batch和sub都设置为1,避免发生神秘错误!

 

width=608                    ★ 网络输入的宽width

height=608                   ★ 网络输入的高height

channels=3                   ★ 网络输入的通道数channels

                             ★★★ width和height一定要为32的倍数,否则不能加载网络

                             ★ 提示:width也可以设置为不等于height,通常情况下,width和height的值越大,对于小目标的识别

                             效果越好,但受到了显存的限制,读者可以自行尝试不同组合

                             

momentum=0.9                 ★ 动量 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                      ★ 数据增强参数,通过旋转角度来生成更多训练样本

saturation = 1.5             ★ 数据增强参数,通过调整饱和度来生成更多训练样本

exposure = 1.5               ★ 数据增强参数,通过调整曝光量来生成更多训练样本

hue=.1                       ★ 数据增强参数,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.csdn.net/qq_33485434/article/details/80452941

                             ★★★ 学习率调整一定不要太死,实际训练过程中根据loss的变化和其他指标动态调整,手动ctrl+c结

                             束此次训练后,修改学习率,再加载刚才保存的模型继续训练即可完成手动调参,调整的依据是根据训练

                             日志来,如果loss波动太大,说明学习率过大,适当减小,变为1/5,1/10均可,如果loss几乎不变,

                             可能网络已经收敛或者陷入了局部极小,此时可以适当增大学习率,注意每次调整学习率后一定要训练久

                             一点,充分观察,调参是个细活,慢慢琢磨

                             ★★ 一点小说明:实际学习率与GPU的个数有关,例如你的学习率设置为0.001,如果你有4块GPU,那

                             真实学习率为0.001/4

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         ★ 训练次数达到max_batches后停止学习,一次为跑完一个batch

 

policy=steps                 ★ 学习率调整的策略: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=400000,450000          

scales=.1,.1                 ★ steps和scale是设置学习率的变化,比如迭代到400000次时,学习率衰减十倍,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]              ★ 一层卷积层的配置说明

batch_normalize=1            ★ 是否进行BN处理,什么是BN此处不赘述,1为是,0为不是 

filters=32                   ★ 卷积核个数,也是输出通道数

size=3                       ★ 卷积核尺寸

stride=1                     ★ 卷积步长

pad=1                        ★ 卷积时是否进行0 padding,padding的个数与卷积核尺寸有关,为size/2向下取整,如3/2=1

activation=leaky             ★ 网络层激活函数

                             ★★ 卷积核尺寸3*3配合padding且步长为1时,不改变feature map的大小

                             

# Downsample

[convolutional]              ★ 下采样层的配置说明

batch_normalize=1

filters=64

size=3

stride=2

pad=1

activation=leaky             ★★ 卷积核尺寸为3*3,配合padding且步长为2时,feature map变为原来的一半大小

 

[shortcut]                   ★ shotcut层配置说明

from=-3                      ★ 与前面的多少次进行融合,-3表示前面第三层

activation=linear            ★ 层次激活函数

    ......

    ......

[convolutional]              ★ YOLO层前面一层卷积层配置说明

size=1

stride=1

pad=1

filters=255                  ★ filters=num(预测框个数)*(classes+5),5的意义是4个坐标加一个置信率,论文中的tx,ty,tw,th,

                             c,classes为类别数,COCO为80,num表示YOLO中每个cell预测的框的个数,YOLOV3中为3

                             ★★★ 自己使用时,此处的值一定要根据自己的数据集进行更改,例如你识别4个类,则:

                             filters=3*(4+5)=27,三个fileters都需要修改,切记

activation=linear

 

[yolo]                       ★ YOLO层配置说明

mask = 0,1,2                 ★  使用anchor的索引,0,1,2表示使用下面定义的anchors中的前三个anchor

anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326   

classes=80                   ★ 类别数目

num=9                        ★ 每个grid cell总共预测几个box,和anchors的数量一致。当想要使用更多anchors时需要调大num

jitter=.3                    ★ 数据增强手段,此处jitter为随机调整宽高比的范围,该参数不好理解,在我的源代码注释中有详细说明

ignore_thresh = .7

truth_thresh = 1             ★ 参与计算的IOU阈值大小.当预测的检测框与ground true的IOU大于ignore_thresh的时候,参与

                             loss的计算,否则,检测框的不参与损失计算。

                             ★ 理解:目的是控制参与loss计算的检测框的规模,当ignore_thresh过于大,接近于1的时候,那么参与

                             检测框回归loss的个数就会比较少,同时也容易造成过拟合;而如果ignore_thresh设置的过于小,那么

                             参与计算的会数量规模就会很大。同时也容易在进行检测框回归的时候造成欠拟合。

                             ★ 参数设置:一般选取0.5-0.7之间的一个值,之前的计算基础都是小尺度(13*13)用的是0.7,

                             (26*26)用的是0.5。这次先将0.5更改为0.7。参考:https://www.e-learn.cn/content/qita/804953

random=1                     ★ 为1打开随机多尺度训练,为0则关闭

                             ★★ 提示:当打开随机多尺度训练时,前面设置的网络输入尺寸width和height其实就不起作用了,width

                             会在320到608之间随机取值,且width=height,没10轮随机改变一次,一般建议可以根据自己需要修改

                             随机尺度训练的范围,这样可以增大batch,望读者自行尝试!

 

训练答疑

                                                                    训练一次迭代的log 图1

疑问以及解决方案
如果你看到avg loss =nan 说明训练错误; 某一行的Class=-nan说明目标太大或者太小,某个尺度检测不到,属于正常 
什么时候应该停止训练? 当loss不在下降或者下降极慢的情况可以停止训练,一般loss=0.7左右就可以了
在训练集上测试正确率很高,在其他测试集上测试效果很差,说明过拟合了。 提前停止训练,或者增大样本数量训练
如何提高目标检测正确率包括IOU,分类正确率

设置yolo层 random =1,增加不同的分辨率。或者增大图片本身分辨率。或者根据你自定义的数据集去重新计算anchor尺寸(darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416 then set the same 9 anchors in each of 3 [yolo]-layers in your cfg-file)

如何增加训练样本?

样本特点尽量多样化,亮度,旋转,背景,目标位置,尺寸

添加没有标注框的图片和其空的txt文件,作为negative数据

训练的图片较小,但是实际检测图片大,怎么检测小目标

1.使在用416*416训练完之后,也可以在cfg文件中设置较大的width和height,增加网络对图像的分辨率,从而更可能检测出图像中的小目标,而不需要重新训练

2.

set `[route] layers = -1, 11`

set ` [upsample] stride=4`

 

网络模型耗费资源多大?

(我用过就两个)

[yolov3.cfg]  [236MB COCO-91类]  [4GB GPU-RAM]

[yolov3.cfg]  [194MB VOC-20类]  [4GB GPU-RAM]

 

[yolov3-tiny.cfg]  [34MB COCO-91类]  [1GB GPU-RAM]

[yolov3-tiny.cfg]  [26MB VOC-20类]  [1GB GPU-RAM]

多GPU怎么训练
  1. 首先用一个gpu训练1000次迭代后的网络,
  2. 再用多gpu训练

darknet.exe detector train data/voc.data cfg/yolov3-voc.cfg /backup/yolov3-voc_1000.weights -gpus 0,1,2,3  

有哪些命令行来对神经网络进行训练和测试?

1.检测图片: build\darknet\x64\darknet.exe detector test data/coco.data cfg/yolov3.cfg yolov3.weights  -thresh 0.25 xxx.jpg

2.检测视频:将test 改为 demo ; xxx.jpg 改为xxx.mp4

3.调用网络摄像头:将xxx.mp4 改为 http://192.168.0.80:8080/video?dummy=x.mjpg -i 0

4.批量检测:-dont_show -ext_output < data/train.txt >  result.txt

5.手持端网络摄像头:下载mjpeg-stream 软件, xxx.jpg 改为 IP Webcam / Smart WebCam

 

如何评价模型好坏

build\darknet\x64\darknet.exe detector map data\defect.data cfg\yolov3.cfg backup\yolov3.weights

 

利用上面命令计算各权重文件,选择具有最高IoU(联合的交集)和mAP(平均精度)的权重文件

 

【. . . . . .本博客仅作个人生活、工作、学习等的日常记录。说明: (1) 内容有参考其他博主、网页等,有因“懒”直接粘贴来,会备注出处。若遇雷同,或忘备注,并无故意抄袭之意,请诸“原主”谅解,很感谢您的辛勤"笔记"可供本人参考学习。 (2) 如遇同行,有参考学习者,因个人学识有限,不保证所写内容完全正确。您对本博文有任何的意见或建议,欢迎留言,感谢指正。 (3) 若您认为本主的全博客还不错,可以点击关注,便于互相学习。 (4) 感谢您的阅读,希望对您有一定的帮助。欢迎转载或分享,但请注明出处,谢谢。. . . . . .】

posted @ 2019-05-23 15:07  招财大龙猫  阅读(6156)  评论(1编辑  收藏