yolov4.cfg — net 層

batch=16 # 每次batch訓練時樣本數量 subdivisions=16 # 將每一次batch的數量，分成subdivisions對應的數字的份數 #Training #width=512 #height=512 width=608 # 網絡的寬度，所以訓練和檢測期間，每張圖片將會resize成網絡的寬度（一般為32的倍數） height=608 # 網絡的高度，所以訓練和檢測期間，每張圖片將會resize成網絡的寬度（一般為32的倍數） channels=3 #網絡的通道數，所以訓練和檢測期間，每張圖片將會被轉化為這個通道數 momentum=0.949 #動量。影響梯度下降到最優的速度，一般默認為0.9 decay=0.0005 # 權重衰減正則系數，防止過擬合 angle=0 # 隨機旋轉角度，增加更多的樣本數 saturation = 1.5 # 隨機調整飽和度，增加更多的樣本數 exposure = 1.5 # 隨機調整曝光度，增加更多的樣本數 hue=.1 #隨機調整色調，增加更多的樣本數learning_rate=0.0013 # 初始學習率 burn_in=1000 # 學習率控制的參數，再迭代次數大于 burn_in時，采用policy的更新方式：0.001 * pow(iterations/1000, 4) max_batches = 8000000 # 最大的迭代次數，將處理的最大迭代次數 policy=steps steps=400000,450000 # 學習率變動步長，steps 和 scales 相互對應，這兩個參數設置學習率的變化, 根據batch_num調整學習率 scales=.1,.1 ## 學習率變動因子，迭代到400000次時，學習率x0.1; 450000次迭代時，學習率又會在前一個學習率的基礎上x0.1 #cutmix=1 # 用CutMix數據增強（只針對分類，不是檢測） mosaic=1 #用Mosaic 數據增強 （每次4張圖片）

總結

以上是生活随笔為你收集整理的Yolov4 cfg参数解读的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。