batch=64　　　　　　? ?# 一批訓練樣本的樣本數(shù)量，每batch個樣本更新一次參數(shù)
subdivisions=32　　? ?# 它會讓你的每一個batch不是一下子都丟到網(wǎng)絡里。而是分成subdivision對應數(shù)字的份數(shù)，一份一份的跑完后，在一起打包算作完成一次iteration
width=416　　　　? ? ?# 只可以設置成32的倍數(shù)
height=416　　　　? ? # 只可以設置成32的倍數(shù)

channels=3　　　　　　?# 若為灰度圖，則chennels=1，另外還需修改/scr/data.c文件中的load_data_detection函數(shù)；若為RGB則 channels=3 ，無需修改/scr/data.c文件

momentum=0.9　　? ? ? # 最優(yōu)化方法的動量參數(shù)，這個值影響著梯度下降到最優(yōu)值得速度?
decay=0.0005　　? ?　?# 權重衰減正則項，防止過擬合
angle=0　　　　? ? 　　# 通過旋轉角度來生成更多訓練樣本
saturation = 1.5　　? # 通過調整飽和度來生成更多訓練樣本
exposure = 1.5　　? ? # 通過調整曝光量來生成更多訓練樣本
hue=.1　　　　　? ? ?　# 通過調整色調來生成更多訓練樣本

learning_rate=0.001 ? ? ? ?# 學習率, 剛開始訓練時, 以 0.01 ~ 0.001 為宜, 一定輪數(shù)過后,逐漸減緩。
burn_in=1000　　　? ? ? 　　?# 在迭代次數(shù)小于burn_in時，其學習率的更新有一種方式，大于burn_in時，才采用policy的更新方式
max_batches = 50200 ?　　? ?# 訓練步數(shù)
policy=steps　　　　　?　　? ?# 學習率調整的策略
steps=40000,45000 ? ? 　? ? # 開始衰減的步數(shù)
scales=.1,.1　　　　?　　? ?　# 在第40000和第45000次迭代時，學習率衰減10倍
...
[convolutional]——YOLO層前一層卷積層
...
filters=24 　　　　　　?　　? # 每一個[yolo]層前的最后一個卷積層中的 filters=num(yolo層個數(shù))*(classes+5)
...

[yolo]
mask = 6,7,8
anchors = 10,13, ?16,30, ?33,23, ?30,61, ?62,45, ?59,119, ?116,90, ?156,198, ?373,326　　#如果想修改默認anchors數(shù)值，使用k-means即可；
classes=3 ?　　　　　　# 修改為自己的類別數(shù)
num=9　　　　　　　? ?　# 每個grid cell預測幾個box,和anchors的數(shù)量一致。調大num后訓練時Obj趨近0的話可以嘗試調大object_scale
jitter=.3　　　　　　　# 利用數(shù)據(jù)抖動產(chǎn)生更多數(shù)據(jù), jitter是crop的參數(shù), jitter=.3，就是在0~0.3中進行crop
ignore_thresh = .5 ? # 決定是否需要計算IOU誤差的參數(shù)，大于thresh，IOU誤差不會夾在cost function中
truth_thresh = 1
random=1　　　　　　　? # 如果為1，每次迭代圖片大小隨機從320到608，步長為32，如果為0，每次訓練大小與輸入大小一致
...

?

總結

以上是生活随笔為你收集整理的yolo v3配置文件说明模型配置文件——cfg/yolov3-voc.cfg的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。