基于YOLOV3的通用物体检测项目实战---（4）DarkNet框架解读及相关配置说明（笔记）

YOLO V3检测模型的训练

具体的修改文件：https://blog.csdn.net/qq_43211132/article/details/90640540
这里比较全，比较系统。但这个是voc数据集格式
Darknet文件结构：

• src/include/obj 存放了darknet源码以及经过源码编译过的文件
• cfg
• data 也就是coco数据集放到了data下面
• script
• python
• example
• backup 权值文件存储
  网络文件
  yolov3.cfg
  数据文件：
• cfg/coco.data
• trainvalno5k.txt
  
  权值文件：
• yolov3.backup
• yolov3_20000.weights
  
  训练命令：

./darknet detector train cfg/coco.data cfg/yolov3.cfg

预训练

./darknet detector train cfg/cco.data cfg/yolov3.cfg cfg/yolov3_20000.weights

迭代次数小于1000时，每100次保存一次，大于1000，每10000次保存一次。

• 代码位置：examps/detector.c line 138

训练日志：

配置文件中的配置参数：

日志文件主要分成两部分，一个是Region开头的，一个是数字开头的，
数字开头的日志：表示训练到了第几个batch size数据，1593664 = 64 * 24901
然后是两个loss信息、学习率，当前batch size用的训练时间
而region表示每一个subdivision所对应的信息。

• Region：三个不同尺度（82,94,106）上预测到的不同大小的框的参数
• 82卷积层为最大的预测尺度
• 94卷积层为中间的预测尺度
• 106卷积层为最小的预测尺度
  
• Avg IOU：在当前subdivision内的图片的平均IOU，代表预测的矩形框和真实目标的交集与并集之比
• Class：标注物体分类额正确率，期望该值趋近于1
• Obj：越接近1月号；No Obj：期望值越小越好，但不为0（检测目标的信息）
• .5R：在recall/count中定义，当前模型在所有subdivision图片检测出的正样本与实际的正样本的比值
• count：当前subdivision中包含正样本的图片的数量。