前言
这是github上的一个项目YOLO_v3_tutorial_from_scratch，它还有相应的blog对其详细的解读。机器之心翻译了他的tutorial：从零开始PyTorch项目：YOLO v3目标检测实现。教程中的内容就不再赘述，写这篇博客的目的在于记录自己在学习这篇教程时的笔记。
本教程包含五个部分：
-
YOLO 的工作原理
-
创建 YOLO 网络层级
-
实现网络的前向传播
-
objectness 置信度阈值和非极大值抑制
-
设计输入和输出管道
1. YOLO 的工作原理
略
2. 创建 YOLO 网络层级
这一部分要求读者已经基本了解 YOLO 的运行方式和原理，以及关于 PyTorch 的基本知识，例如如何通过 nn.Module、nn.Sequential 和 torch.nn.parameter 等类来构建自定义的神经网络架构。
Pytorch的基本知识可以看B站小土堆的PyTorch深度学习快速入门教程。代码：https://github.com/xiaotudui/PyTorch-Tutorial
一个简单的Pytorch神经网络model如下：
pytorch-tutorial/src/model.py
# -*- coding: utf-8 -*-
# 作者：小土堆
# 公众号：土堆碎念
import torch
from torch import nn
# 搭建神经网络
class Tudui(nn.Module):
def __init__(self):
super(Tudui, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 5, 1, 2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4, 64),
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
if __name__ == '__main__':
tudui = Tudui()
input = torch.ones((64, 3, 32, 32))
output = tudui(input)
print(output.shape)
其他类和函数等到后续用到的时候再详细说。
2.1.配置文件
我们将使用官方的 cfg 文件构建网络，它是由 YOLO 的作者发布的。
yolov3.cfg: https://github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg
2.1.1配置文件解读
yolov3.cfg主要有以下几块，[net],[convolutional],[shortcut]，[yolo]
net层
配置整个网络
[net] ★ net block
# Testing ★ 注释方式：# xxx ，，在解析cfg的文件时会忽略该行。
# batch=1 ★ 这里的注释是说在Testing模型的时候设置batch=1，subdivisions=1。因为这样可以避免一些错误。
# subdivisions=1
# Training ★ training模型的配置
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反向传播（backforward propagation，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，subdivisions越大，可以减轻显卡压力
★★★ 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
★★敲黑板：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。
channels=3 ★ 网络输入的通道数channels。若为灰度图，则chennels=1，另外还需修改/scr/data.c文件中的load_data_detection函数；若为RGB则 channels=3 ，无需修改/scr/data.c文件
-------
data load_data_detection(int n, char **paths, int m, int w, int h, int boxes, int classes, float jitter, float hue, float saturation, float exposure)
{
char **random_paths = get_random_paths(paths, n, m);
int i;
data d = {0};
d.shallow = 0;
d.X.rows = n;
d.X.vals = calloc(d.X.rows, sizeof(float*));
d.X.cols = h*w; //灰阶图
//d.X.cols = h*w*3; //RGB图
-------
momentum=0.9 ★ 动量DeepLearning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（一种说法）
learning_rate=0.001
一块gpu跑的时候，打印出来的学习率0.001
2 块gpu跑的时候，打印出来的学习率0.002
4 块gpu跑的时候，打印出来的学习率0.004
所以应该是相乘的关系，而不是相除的关系（另一种说法）
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
卷积层：convolution
[convolutional] ★ 一层卷积层的配置说明
batch_normalize=1 ★ 是否进行BN处理，1为是，0为不是（batch_normalization）
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padding，padding的个数与卷积核尺寸有关，为size/2向下取整，如3/2=1
★ 取值0/1，当pad=1时，padding = (kernel-1) // 2;当pad=0的时候，padding就是依据给出的padding值。
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
下采样
下采样也是通过卷积实现的
# 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
上采样
[upsample]
stride=2
路由层（Route）
它的参数 layers 有一个或两个值。
当只有一个值时，它输出这一层通过该值索引的特征图。在我们的实验中设置为了-4，所以层级将输出路由层之前第四个层的特征图。
当层级有两个值时，它将返回由这两个值索引的拼接特征图。在我们的实验中为-1 和 61，因此该层级将输出从前一层级（-1）到第 61 层的特征图，并将它们按深度拼接。
[route]
layers = -4
[route]
layers = -1, 61
shotcut层
跳跃连接，合并相同尺寸的feature map（该术语来自于ResNet残差块的跳跃连接，构成残差网络）
[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 ★ 层激活函数
YOLO层前面一层卷积层配置说明
[convolutional] ★ YOLO层前面一层卷积层配置说明
size=1
stride=1
pad=1
filters=255 ★每一个[region/yolo]层前的最后一个卷积层中的 filters=(classes+1+coords)*anchors_num，
其中anchors_num 是该层mask的一个值。如果没有mask则anchors_num=num是这层的anchor数。COCO为80,num表示YOLO中每个cell预测的框的个数，YOLOV3中为3，即为mask的个数。
★★★ 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层:
[yolo] ★ YOLO层配置说明。yolov2中
mask = 0,1,2 ★ 使用anchor的索引，0，1，2表示使用下面定义的0-9个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 ★ anchor的,
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。（3*3，3个anchor，3个尺度）当想要使用更多anchors时需要调大num
在每个尺度上，每个单元使用 3 个锚点预测 3 个边界框，锚点的总数为 9（不同尺度的anchor不同）。
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。利用数据抖动产生更多数据，YOLOv2中使用的是crop，filp，以及net层的angle，flip是随机的，jitter就是crop的参数，tiny-yolo-voc.cfg中jitter=.3，就是在0~0.3中进行crop
ignore_thresh = .7 ★ 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
truth_thresh = 1
random=1 ★ 为1打开随机多尺度训练，为0则关闭。如果为1，每次迭代图片大小随机从320到608，步长为32；如果为0，每次训练大小与输入大小一致
★★ 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，每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！