图片最后crop的大小为352x352;
看YOLOv2对于训练样本，都是维持原来比例进行resize的
我crop训练样本的标准：
（１）长宽都小于352的用原图
（２）大于的或者某个大于的，以所有物体的中心点去crop 352x352大小的图片块
（３）再以上面图像块的四个脚为中心点，再crop 352x352大小的图片块。由此一张图像要么是原图，要么生成５个另外的图像块作为训练样本。
代码见：
注意：对于原图中的框，暂时没有考虑边缘的情况，只考虑了，IOU>=0.5的目标（即原来对象的框和要crop的图像块之间的IOU），最后生成0001.jpg-1852.jpg来自原来训练样本；1853.jpg-2659.jpg来自原来的测试样本。
命令：
１）训练：./darknet detector train /home/echo/EXERCISEs/airplaneDetec/yolov3/voc.data /home/echo/EXERCISEs/airplaneDetec/yolov3/yolo-voc.cfg darknet19.conv.23 2>1 | tee /home/echo/EXERCISEs/airplaneDetec/yolov3/paul_train_log.txt
２）测试：./darknet detector recall /home/echo/EXERCISEs/airplaneDetec/yolov3/voc.data /home/echo/EXERCISEs/airplaneDetec/yolov3/yolo-voc.cfg /home/echo/EXERCISEs/airplaneDetec/yolov3/backup/yolo-voc_final.weights
结果，太差啦，得检查到底哪里出现问题，暂停：
而用训练样本去测试，结果也只是如下：
问题出现在哪里呢？？？
检查数据的生成是否有误，撸一遍：
（1）creat_list.py，生成train.txt（1000条）, test.txt（195条）——》无误！！
（2）voc_label_change.py，生成相应的infrared_train.txt与infrared_test.txt，其中包含的都是路径，并且在labels文件夹下生成每张图片对应的.txt文件（注意都单位化了，并且原点在左上角。类别 中心点x坐标 中心点y坐标 宽 高）——》无误！！
（3）main_jpgxml.m，生成train.txt（1000条）, test.txt（195条），其中包含图片路径以及xml文件路径——》无误！！
（4）create_list.sh，去生成 test_name_size.txt和trainval_name_size.txt，其中包含名字 高 宽——》随机检查，无误！！
（5）getImageSize.m，去验证这些训练以及测试图片的大小范围——》无误！！
（6）voc_label_change_no352.py只是生成label_orgin文件夹下面的，每张图片没有单位化的.txt文件。
以上都无误，检查：
（7）genTrainImage_352.m，第一部分无误，第二部分getLabel有误，应该是：
dw = 1/(max_x-min_x);
dh = 1/(max_y-min_y);
抽样，test.m文件检查。现在貌似都是对的了～～～
（8）creat_list1.py重新打乱生成train_final.txt以及test_final.txt;
（9）voc_label_change1.py重新生成infrared_train1.txt与infrared_test1.txt
代码：github.com/EchoIR/airplaneDetec/tree/yolov2_crop
训练
/home/echo/darknet-master/darknet detector train /home/echo/EXERCISEs/airplaneDetec/yolov3/voc.data /home/echo/EXERCISEs/airplaneDetec/yolov3/yolo-voc.cfg /home/echo/darknet-master/darknet19.conv.23 2>1 | tee /home/echo/EXERCISEs/airplaneDetec/yolov3/paul_train_log2.txt
注意：加上tee之后，错误信息不会报错了（突然停止不知道是啥原因）。还是没错之后再加上比较好
批量测试
首先修改detect.c中validate_detector_recall下的代码：
list *plist = get_paths("/home/echo/EXERCISEs/airplaneDetec/yolov3/infrared_test1.txt");
/home/echo/darknet-master/darknet detector recall /home/echo/EXERCISEs/airplaneDetec/yolov3/voc.data /home/echo/EXERCISEs/airplaneDetec/yolov3/yolo-voc.cfg /home/echo/EXERCISEs/airplaneDetec/yolov3/backup/yolo-voc_final.weights，结果如下：
这个结果还可以的嘛（但是经过很多的单张测试之后发现，很多明明只有飞机的一点点的，都认为是飞机了，不过事实上也就是，可能是在别的图像块中有这个飞机的出现，最后导致召回率很高，但是准确率与其相差好几个百分点）～～之前整体训练的结果是（比较差的咯～～）：
ID: 194 Correct: 578 Total: 916RPs/Img: 3.91IOU: 51.65%Recall:63.10%proposals: 762Precision:75.85%
单张测试（之前的darkNet有点显示不好了,其实是必须在darknet-master主文件夹下才可以正常显示）
/home/echo/code_modify/darknet-master/darknet detector test /home/echo/EXERCISEs/airplaneDetec/yolov3/voc.data /home/echo/EXERCISEs/airplaneDetec/yolov3/yolo-voc.cfg /home/echo/EXERCISEs/airplaneDetec/yolov3/backup/yolo-voc_final.weights /home/echo/EXERCISEs/airplaneDetec/yolov3/JPEGImages/1669.jpg
LOSS曲线
只需改行数，后面的一行中的取余：
lines =10980
result = pd.read_csv('/home/echo/EXERCISEs/airplaneDetec/yolov3/paul_train_log2.txt', skiprows=[x for x in range(lines) if (x%6!=5)] ,error_bad_lines=False, names=['loss', 'avg', 'rate', 'seconds', 'images'])
运行以及结果：
python train_loss_visualization.py
代码见：github.com/EchoIR/airplaneDetec/tree/yolov2_crop
写crop测试样本的代码：
在改代码想去记录每个位置出的图片块以及位置，后面出现“段错误(核心已转储)”的情况，经过错误审查发现，是因为栈溢出的错误。
后面自己把实现的函数写成location.c单独一个文件，编译的时候总是提醒，get_patchLocations
函数未定义，实际上只要在Makefile中添加location.o即可：
具体修改代码见：github.com/EchoIR/airplaneDetec/tree/yolov2_crop
修改detector.c，添加locations.h以及locations.c文件。
改完代码之后看结果对比，单张图片命令：
echo@echo-PC:~/code_modify/darknet-master$ /home/echo/code_modify/darknet-master/darknet detector test /home/echo/EXERCISEs/airplaneDetec/yolov3/voc.data /home/echo/EXERCISEs/airplaneDetec/yolov3/yolo-voc.cfg /home/echo/EXERCISEs/airplaneDetec/yolov3/backup/yolo-voc_final.weights -out compar_test/23_crop compar_test/23.jpg
出现的问题：
（１）框没有进行一定的融合，比如：
大框吃小框尽量给他吃掉。
解决：这个我估计是训练样本中有这种IOU很小，但是我也算成正样本的框，估计还不少。这个可以去检查正样本，把之前所有检测的都检测画出图来，分析！！！dete_all.sh:github.com/EchoIR/airplaneDetec/tree/yolov2_crop
１．保存之前crop过的测试图像的结果进行分析：
1) 可能是训练样本中很多用部件训练，以至于有点像翅膀的也认为是飞机了
2) 有边缘的也认为是...
２．还原训练样本的xml文件，去掉一些不是正样本的样本。
不好还原，则draw_boxes.m去画框：github.com/EchoIR/airplaneDetec/tree/yolov2_crop去除训练样本中的某些可能会影响训练结果的正样本，再次进行训练：
echo@echo-PC:~/darknet-master$ /home/echo/darknet-master/darknet detector train /home/echo/EXERCISEs/airplaneDetec/yolov3/voc.data /home/echo/EXERCISEs/airplaneDetec/yolov3/yolo-voc.cfg /home/echo/EXERCISEs/airplaneDetec/yolov3/backup/yolo-voc_final1.weights 2>1 | tee /home/echo/EXERCISEs/airplaneDetec/yolov3/paul_train_log3.txt
注意：这个再次进行训练会记得上次训练到多少，比如这是从1001batches开始训练的
同时也去掉测试图片（crop之后的）中的某些不合格的正样本，批量测试结果：
上面设置的thresh = 0.25，前面也是，现在设置成0.5，则：
看来上面去调整正样本还是很有效果的，哈哈！！突然想起，之前改了网络输入，这也可能是由于网络的输入大小的问题，改回352，thresh 依旧0.５，则
thresh 保持0.25，则：
证明之前的去掉一些不好的训练样本，以及测试样本中去掉个别只是飞机很小部件的正样本，再继续训练3000次，还是有效果的。thresh ＝0.4，则：
（２）crop去检测的优势在于可以检测到或者更准地检测到大图中的小物体，而对于大图中的大物体，还是不进行crop好
解决：不用crop将原来的网络大小从352改成608会稍微好点：
变成：
用crop时，有啥变化呢：差不多，看不出来啥，也许是我本来crop下来的就是352，细节上本来就不欠缺啥。
（３）也不知道为啥，crop的反而喜欢检测一些无中生有的东西，比如：
也可能是因为不进行crop的话，大图中的这些细节就看不清楚，所以不去检测出来而已
上面三个问题，只是针对问题（１）做了一些调整，现在去测试两个情况：
（１）把原来图当做测试样本去测试；
（２）把原来测试图采用crop的办法去测试。
以此对比两种方法：
１、去掉原图中某些不合格的正样本，放入Annotations重新生成labels
２、利用这个更改训练样本和个别测试样本，继续训练的模型，全部在针对之前crop好的测试图片进行测试一遍，结果保存于/home/echo/EXERCISEs/airplaneDetec/yolov3/YOLOv3_results_1000new（尺度还是用的352，不过thresh设置成0.4了，不管，继续），之前的在/home/echo/EXERCISEs/airplaneDetec/yolov3/YOLOv3_results中。
对比之后，效果是有的，部分假正样本少了一些，就算是thresh设置成0.4的有一部分原因，但是从上面批测试的结果来看，去除训练集合中的某些IUO不是很高的正样本，还是有些效果的～～
３、原图结果（352,0.4）：
测试样本采用crop的结果(352,crop_size = 352,0.4)：
结果是如此的不尽人意，召回率高，准确率低，应该就是出现了很多那种小的错框。
测试样本采用crop的结果(352,crop_size = 352,0.６)：
原图结果（352,0.25）：
补充：这边补充一个改批量测试中进行crop的代码，见detector1.c的validate_detector_recall函数部分。
github.com/EchoIR/airplaneDetec/tree/yolov2_crop
补充：test_detector函数解析
（１）layer l = net.layers[net.n-1];即最后一层的输出形式：
l.outputs = h*w*n*(classes + coords + 1);//每个框对应４个点的位置，classes +１类，就是一张图像有outputs个输出
l.output = calloc(batch*l.outputs, sizeof(float));
int obj_index = entry_index(l, 0, n*l.w*l.h + i, 4);//第i个格点第n层框的自信度起始位置
int box_index = entry_index(l, 0, n*l.w*l.h + i, 0);//第i个格点第n层框的预测的位置的起始位置，由此可见output中结果分布是，所有格点第一层框的h*w*(classes + coords + 1)个信息，第二层框的h*w*(classes + coords + 1)个信息，第三层...而每一层中首先存储的是所有格点那一层框的位置信息，再就是自信度信息。注意：网络返回的不是直接的位置信息，位置信息是后面间接计算出来的：
box b;
b.x = (i + x[index + 0*stride]) / w;
b.y = (j + x[index + 1*stride]) / h;
b.w = exp(x[index + 2*stride]) * biases[2*n] / w;
b.h = exp(x[index + 3*stride]) * biases[2*n+1] / h;
return b;
把船的那部分引进来
训练命令：
echo@echo-PC:~/darknet-master$ ./darknet detector train /home/echo/EXERCISEs/airplaneDetec/AirBoats/voc.data /home/echo/EXERCISEs/airplaneDetec/AirBoats/yolo-voc.cfg /home/echo/darknet-master/darknet19.conv.23 2>1 | tee /home/echo/EXERCISEs/airplaneDetec/AirBoats/paul_train_log.txt
注意：这边总是出现段错误，原因最后找到是steps=8000,12000和scales=.1,.1后面最好不要有注释。
批量测试结果：
继续训练至25000万次，结果：
nms = .2(之前是.4):
thresh = 0.6(前面两次是0.25)nms = .2:
./darknet detector recall /home/echo/EXERCISEs/airplaneDetec/AirBoats/voc.data /home/echo/EXERCISEs/airplaneDetec/AirBoats/yolo-voc.cfg /home/echo/EXERCISEs/airplaneDetec/backup/yolo-voc_final.weights，结果：
thresh = 0.6，nms = .４:
thresh = 0.５，nms =０.６:
thresh = 0.５，nms =０.8:
挑选几张图片出来检测：
注意：若想用前面感知野更大的，则修改yolo-voc.cfg中的配置即可，即route和reorg层即可，但是估计显卡内存不够了，则把batch改小一点