yolo v3配置文件说明模型配置文件——cfg/yolov3-voc.cfg

batch=64　　　　　　   # 一批训练样本的样本数量，每batch个样本更新一次参数
subdivisions=32　　   # 它会让你的每一个batch不是一下子都丢到网络里。而是分成subdivision对应数字的份数，一份一份的跑完后，在一起打包算作完成一次iteration
width=416　　　　     # 只可以设置成32的倍数
height=416　　　　    # 只可以设置成32的倍数

channels=3　　　　　　 # 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

momentum=0.9　　      # 最优化方法的动量参数，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　　　　    　　# 通过旋转角度来生成更多训练样本
saturation = 1.5　　  # 通过调整饱和度来生成更多训练样本
exposure = 1.5　　    # 通过调整曝光量来生成更多训练样本
hue=.1　　　　　     　# 通过调整色调来生成更多训练样本

learning_rate=0.001        # 学习率, 刚开始训练时, 以 0.01 ~ 0.001 为宜, 一定轮数过后,逐渐减缓。
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 = 50200  　　   # 训练步数
policy=steps　　　　　 　　   # 学习率调整的策略
steps=40000,45000     　    # 开始衰减的步数
scales=.1,.1　　　　 　　   　# 在第40000和第45000次迭代时，学习率衰减10倍
...
[convolutional]——YOLO层前一层卷积层
...
filters=24 　　　　　　 　　  # 每一个[yolo]层前的最后一个卷积层中的 filters=num(yolo层个数)*(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　　#如果想修改默认anchors数值，使用k-means即可；
classes=3  　　　　　　# 修改为自己的类别数
num=9　　　　　　　   　# 每个grid cell预测几个box,和anchors的数量一致。调大num后训练时Obj趋近0的话可以尝试调大object_scale
jitter=.3　　　　　　　# 利用数据抖动产生更多数据, jitter是crop的参数, jitter=.3，就是在0~0.3中进行crop
ignore_thresh = .5   # 决定是否需要计算IOU误差的参数，大于thresh，IOU误差不会夹在cost function中
truth_thresh = 1
random=1　　　　　　　  # 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
...