4）下载预训练的参数（卷积权重）
“darknet53.conv.74”是使用 Imagenet 数据集进行预训练：
1 | |
获取其他模型类似 darknet53.conv.74 的预训练权重
Ⅰ. 下载官方预训练模型的权重
https://pjreddie.com/darknet/yolo/ //COCO数据集训练的
https://pjreddie.com/darknet/imagenet/ //Imagenet数据集训练的
eg： wget https://pjreddie.com/media/files/yolov3-tiny.weights
Ⅱ. 转换为类似darknet.conv.74的预训练权重
eg： ./darknet partial cfg/yolov3-tiny yolov3-tiny.weights yolov-tiny.conv.15 15
开始训练YOLO
使用YOLOv4和YOLOv3：
1. 针对选择的模型，下载预训练权重：
百度网盘打包下载，链接：https://pan.baidu.com/s/1CNVyyjoph7YVSXGT3vjbfQ，提取码：4usc
o 对于 yolov4.cfg, yolov4-custom.cfg (162 MB): yolov4.conv.137
o 对于 csresnext50-panet-spp.cfg (133 MB): csresnext50-panet-spp.conv.112
o 对于 yolov3.cfg, yolov3-spp.cfg (154 MB): darknet53.conv.74
o 对于 yolov3-tiny-prn.cfg , yolov3-tiny.cfg (6 MB): yolov3-tiny.conv.11
o 对于 enet-coco.cfg (EfficientNetB0-Yolov3) (14 MB): enetb0-coco.conv.132
5）训练模型：
Ⅰ. 单GPU训练: ./darknet detector train <data_cfg> <train_cfg> <weights> -gpu <gpu_id>
1 | |
Ⅱ. 多GPU训练: ./darknet detector train <data_cfg> <model_cfg> <weights> -gpus <gpu_list>
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3
Ⅲ. 从checkpoint继续训练
1 | |
7. 训练结束，结果保存在darknet\backup\yolo-obj_final.weights
- 如果训练中断，可以选择一个保存的权重继续训练，使用
./darknet detector train data/obj.data yolo-obj.cfg backup\yolo-obj_2000.weights
[net] # Testing #batch=1 #subdivisions=1 # Training 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=64 batch/subdivisions作为一次性送入训练器的样本数量 如果内存不够大，将batch分割为subdivisions个子batch 上面这两个参数如果电脑内存小，则把batch改小一点，batch越大，训练效果越好 subdivisions越大，可以减轻显卡压力 width=416 height=416 channels=3 以上三个参数为输入图像的参数信息 width和height影响网络对输入图像的分辨率， 从而影响precision，只可以设置成32的倍数，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 momentum=0.9 DeepLearning1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 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 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 训练达到max_batches后停止学习 policy=steps 这个是学习率调整的策略，有policy：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=40000,45000 下面这两个参数steps和scale是设置学习率的变化，比如迭代到40000次时，学习率衰减十倍。 scales=.1,.1 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 [convolutional] batch_normalize=1 ？ filters=32 输出特征图的数量 size=3 卷积核的尺寸 stride=1 做卷积运算的步长 pad=1 如果pad为0,padding由 padding参数指定。 如果pad为1，padding大小为size/2，padding应该是对输入图像左边缘拓展的像素数量 activation=leaky 激活函数的类型
