YOLO 训练和 检测技巧

注意根据特定任务对 anchor 进行修改，方法参考
https://github.com/pjreddie/darknet/issues/911
./darknet detector calc_anchors data/hand.data -num_of_clusters 9 -width 704 -height 576 -show

https://github.com/AlexeyAB/darknet#how-to-train-to-detect-your-custom-objects
这个文档给出了 一些提高精度 的方法

提高物体检测性能的方法：
训练前

1 cfg 文件中 设置 random = 1

2 提高 cfg中指定的分辨率， 比如 height = 608, width = 608 或者更高的32的倍数

3 确保 每个样本都有标注并且正确标注

4 对于待检测的物体， 训练集中 要有 相似物体， 形状、大小、旋转角度、倾斜、明亮度 方面相似
包含 物体 在不同尺度、旋转、照片、侧面、和背景 下的图像 有利于训练， 每个类别至少2000张不同的图像
至少训练 2000*类别数 次

5 提高 不包含待检测物体的 图像 也很重要， 就是 负样本，这些样本对应的txt为空文件，
负样本的数量 最好和 正样本数量 一致。 这条容易被 忽略

6 如果单张图像里面需要检测出的物体比较多，那么设置yolo层和region层中 max=200 或者更大值

7 如果是检测小物体（图像resize为416*416 后，小于 16*16 像素）， 那么在 yolov3.cfg中720 行设置 layers = -1, 11
并且， 717行 设置 stride 为4

8 如果训练 既有大物体又有小物体的模型， 那么 使用 yolov3_5l.cfg， 这个有 5 yolo层
如果用 tiny模型，那么使用 yolov3-tiny_3l.cfg，
如果用 Spatial-full-model， 那么用 yolov3-spp.cfg

9 如果是训练需要区分左右的物体， 那么 禁用 flip , yolov3cfg 第17行 设置 flip = 0

10 一般来说， 训练集中物体大小和待检测图像中物体大小 有一定约束，大致关系为
train_network_width * train_obj_width / train_image_width ~= detection_network_width * detection_obj_width / detection_image_width
train_network_height * train_obj_height / train_image_height ~= detection_network_height * detection_obj_height / detection_image_height

也就是说， 如果训练集中物体宽度占图像的比例 要约等于 测试集中物体宽度占图像的比例

11 如果要加速训练（可能会降低精度）， 使用 fine-tuning，而不是迁移学习， 设置 548 行 stopbackward=1
执行命令： ./darknet partial cfg/yolov3.cfg yolov3.weights yolov3.conv.81 81 will be created file yolov3.conv.81, then train by using weights file yolov3.conv.81 instead of darknet53.conv.74

12 ？？ 检测的物体越不同， 使用的网络模型就应该 越复杂

13 针对cfg 文件中的 高宽 重新计算 anchor：darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416
然后设置 yolo层 中的 anchor . 需要修改 masks ， 是的第一个 yolo层的anchor 大于60*60, 第二个 大于 30*30，第三个保持不变
同时 要修改 yolo层前面 filters 的个数，公式为

 filters=(classes + 5)*

训练好之后， 对于检测：
增加 cfg 分辨率（依然设为 32的倍数 ）， 这能提高准确率和检测到小物体的概率
这并不需要重新训练网络， 指定高宽为416时 训练处的权重文件 即可

如果想要更高准确率，那么还是 在高分辨率时 进行训练， 如果 显示 out of memory ,那么 就 把cfg中 subdivisions 改大，比如 32， 64 等等