yolov3 darknet cfg配置文件参数详解

2024-04-11 00:48

本文主要是介绍yolov3 darknet cfg配置文件参数详解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Darknet的cfg配置文件中,[xxx]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,用于配置整个网络,包含学习率,衰减系数等一系列超参数。

[net]      
# Testing
# batch=1               #测试时,batch和subdivisions都必须设置为1,否则会出错
# subdivisions=1
# Training
batch=64                #batch与一般意义上的batch概念稍有出入,在这里表示网络积累多少个样本后进行一次反向传播
subdivisions=16         #subdivisions表示将一个batch的图片分subdivisions次完成网络的前向传播
  • 在Darknet中,batch和subdivisions是结合使用的,比如这里的batch=64,subdivisions=16 表示训练的过程中会将64张图片一次性加载进内存,但要分16次完成前向传播。也就是每次计算4张,而后将64张图片的loss累加求平均,再一次性后向传播更新权重参数。
  • subdivisions 必须为为8的倍数,一般设置16;batch的值通常稍微大点好,这样可以减小训练震荡,而且可以一定程度上减少训练时NAN的出现,但也要考虑电脑的显存能不能吃得消,否则会出现:CUDA Error: out of memory。
width=416              #网络输入的宽
height=416             #网络输入的高
channels=3             #网络输入的通道数
momentum=0.9           #动量梯度下降优化方法中的动量参数
decay=0.0005           #权重衰减正则项,用于防止过拟合
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
burn_in=1000           #在迭代次数小于burn_in时,其学习率的更新为一种方式,大于burn_in时,采用policy的更新方式
max_batches = 50200    #训练迭代次数达到max_batches后停止学习,跑完一个batch为一次
policy=steps           #学习率调整的策略
steps=40000,45000      #steps和scale是设置学习率的变化
scales=.1,.1           #迭代到400000次时,学习率衰减十倍,45000次时,学习率又会在前一个学习率的基础上衰减十倍
  • momentum:动量梯度下降是利用梯度的指数加权平均值来更新权重,其用公式可表示为:
    { V d w = β ∗ V d w + ( 1 − β ) d w w = w − α V d w \left\{ \begin{array}{c} V_{d_w}=\beta*V_{d_w}+(1-\beta)d_w \\ w = w-{\alpha}V_{d_w} \end{array} \right. {Vdw=βVdw+(1β)dww=wαVdw
    其中 β \beta β即momentum系数, α \alpha α为学习率。动量梯度下降借用了物理中的动量概念,它模拟的是物体运动时的惯性,即更新的时候在一定程度上保留之前更新的方向,同时利用当前batch的梯度微调最终的更新方向。这样一来,可以在一定程度上增加稳定性,从而学习地更快,并且还有一定摆脱局部最优的能力。总结成一句话:前后梯度方向一致时,能够加速学习
    前后梯度方向不一致时,能够抑制震荡
  • decay:正则化是将权重惩罚项加到loss上,来使得权值收敛到较小的绝对值,从而降低网络过拟合。权重惩罚项是所有权重的平方乘以一个衰减常量(decay)之和。
  • 数据增强参数:angle:图片角度变化,单位为度,假如angle=5,就是生成新图片的时候随机旋转-5到5度;saturation、exposure: 饱和度与曝光变化大小,1到1.5倍,以及1/1.5到1倍的变化范围;hue:色调变化范围,上例子中为-0.1到0.1的变化范围。在每次迭代中,会基于角度、饱和度、曝光、色调产生新的训练图片
  • learning_rate: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。在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。
  • burn_in:当迭代次数小于burn_in时,学习率为:if (batch_num < net.burn_in) return net.learning_rate * pow((float)batch_num / net.burn_in, net.power) network.c中出现的代码。
  • policy:迭代次数大于burn_in后的学习率调整的策略,有constant, steps, exp, poly, step, sig, RANDOM,constant等方式。
[convolutional]         #卷积层
batch_normalize=1       #是否进行BN,batch_normalize
filters=32              #卷积核个数,也就是该层的输出通道数
size=3                  #卷积核大小
stride=1                #卷积步长
pad=1                   #pad边缘补像素
activation=leaky        #网络层激活函数,Leaky ReLU# Downsample            #下采样层
[convolutional]         #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
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky
......
......
[shortcut]                   #shotcut层配置说明
from=-3                      #与前面的多少层进行融合,-3表示前面第三层
activation=linear            #层次激活函数
......
......
  • activation:激活函数,常用的有:logistic,loggy,relu,elu,relie,plse,hardtan,lhtan,linear,ramp,leaky,tanh,stair
  • Leaky ReLU,给所有负值赋予一个非零斜率。a为 ( 1 , + ∞ ) (1,+\infty) (1,+)中的固定参数(一般为10):
    f ( x ) = { x , if  x ≥ 0 x a , if  x &lt; 0 f(x) = \begin{cases} x, &amp; \text{if $x \geq 0$} \\ \frac{x}{a}, &amp; \text{if $x&lt;0$} \end{cases} f(x)={x,ax,if x0if x<0
[convolutional]           #YOLO层前面一层卷积层配置说明
size=1
stride=1
pad=1
filters=255               #YOLO层前面一层卷积层
activation=linear         #线性激活,也就是没用激活函数,原样输出[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num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
ignore_thresh = .7        #参与计算的IOU阈值大小
truth_thresh = 1          
random=1                  #为1打开随机多尺度训练,为0则关闭
  • YOLO层前面一层卷积层的输出个数和分类类别个数有关, f i l t e r s = n u m ( 预 测 框 个 数 ) ∗ ( c l a s s e s + 5 ) filters=num(预测框个数)*(classes+5) filters=num()(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,其前面的三个fileters都需要修改。
  • ignore_thresh :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。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。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(1313)用的是0.7,(2626)用的是0.5。这次先将0.5更改为0.7。
  • random: 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,每10轮随机改变一次。

参考文献:
https://blog.csdn.net/phinoo/article/details/83022101
https://blog.csdn.net/Jinlong_Xu/article/details/76375334
https://nanfei.xyz/2018/01/23/YOLOv2调参总结/#more


这篇关于yolov3 darknet cfg配置文件参数详解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/892626

相关文章

Java中StopWatch的使用示例详解

《Java中StopWatch的使用示例详解》stopWatch是org.springframework.util包下的一个工具类,使用它可直观的输出代码执行耗时,以及执行时间百分比,这篇文章主要介绍... 目录stopWatch 是org.springframework.util 包下的一个工具类,使用它

Java进行文件格式校验的方案详解

《Java进行文件格式校验的方案详解》这篇文章主要为大家详细介绍了Java中进行文件格式校验的相关方案,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、背景异常现象原因排查用户的无心之过二、解决方案Magandroidic Number判断主流检测库对比Tika的使用区分zip

Java实现时间与字符串互相转换详解

《Java实现时间与字符串互相转换详解》这篇文章主要为大家详细介绍了Java中实现时间与字符串互相转换的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、日期格式化为字符串(一)使用预定义格式(二)自定义格式二、字符串解析为日期(一)解析ISO格式字符串(二)解析自定义

springboot security快速使用示例详解

《springbootsecurity快速使用示例详解》:本文主要介绍springbootsecurity快速使用示例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝... 目录创www.chinasem.cn建spring boot项目生成脚手架配置依赖接口示例代码项目结构启用s

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

java中反射(Reflection)机制举例详解

《java中反射(Reflection)机制举例详解》Java中的反射机制是指Java程序在运行期间可以获取到一个对象的全部信息,:本文主要介绍java中反射(Reflection)机制的相关资料... 目录一、什么是反射?二、反射的用途三、获取Class对象四、Class类型的对象使用场景1五、Class

golang 日志log与logrus示例详解

《golang日志log与logrus示例详解》log是Go语言标准库中一个简单的日志库,本文给大家介绍golang日志log与logrus示例详解,感兴趣的朋友一起看看吧... 目录一、Go 标准库 log 详解1. 功能特点2. 常用函数3. 示例代码4. 优势和局限二、第三方库 logrus 详解1.

一文详解如何从零构建Spring Boot Starter并实现整合

《一文详解如何从零构建SpringBootStarter并实现整合》SpringBoot是一个开源的Java基础框架,用于创建独立、生产级的基于Spring框架的应用程序,:本文主要介绍如何从... 目录一、Spring Boot Starter的核心价值二、Starter项目创建全流程2.1 项目初始化(