本文主要针对AlexeyAB版本分析 AlexeyAB代码
1. 训练前
（1）在.cfg文件中设置flag random=1，它将通过不同分辨率来训练yolo以提高精度。
（2）提高.cfg文件中网络的分辨率，（例如height = 608，width = 608或者任意32的倍数），这样可以提高精度。
（3）确保数据集中每个待检测对象都带有标签，并且保证标签正确。（可以用这个工具来检查数据集： Yolo_mark ）
（4）对于要检测的每个对象，训练数据集中必须至少有一个类似的对象，其形状、侧面、相对大小、旋转角度、倾斜、照明等条件大致相同。
（5）训练数据集中应包括对象的不同缩放、旋转、照明、不同的面、不同背景的图像，最好为每个类提供2000个以上不同的图像，并且训练（2000* 类的数量）的迭代次数或更多。
（6）确保训练的数据集中包含不想被检测的不带标签的对象，即无边界框的负样本（空.txt文件），负样本的数量最好和正样本的数量相同。
（7）对于目标物体较多的图像(每张图像有多个目标)，在.cfg文件中最后一个[yolo]层或者[region]层添加max=200或更高的值。（yolov3可以检测到的对象的全局最大数目是0.0615234375 *（width*height），其中width和height是.cfg文件中[net]部分的参数）
（8）训练小物体时（图像调整到416x416后物体小于16x16），将yolov3.cfg文件中720行左右的[route]参数替换为layers = -1, 11，并且将717行左右的[upsample]参数改为stride =4。
（9）训练既包含小对象又有大对象可以使用以下的修改模型：
- Full-model: 5 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3_5l.cfg
- Tiny-model: 3 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-tiny_3l.cfg
- Spatial-full-model: 3 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-spp.cfg
（10）如果要训练区分左右的对象（例如左手右手，道路上左转右转标志等），需要禁用数据翻转增强，在.cfg文件中17行左右的位置加入flip=0。
（11）一般规律——训练数据集应该包含一组您想要检测的对象的相对大小相近的样本。简单来说，就是需要检测的对象在图像中的百分比是多少，那么训练的图像中也应该包含这个百分比的对象。例如：如果训练的时候目标在图像中都占80-90%，那检测的时候很可能就检测不出目标占0-10%情况。
- 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
- object width in percent from Training dataset ~= object width in percent from Test dataset
（12）同一个对象在不同的光照条件、侧面、尺寸、倾斜或旋转30度的情况下，对于神经网络的内部来说，都是不同的对象。因此，如果想检测更多的不同对象，就应该选择更复杂的神经网络。
（13）在.cfg中重新计算锚(anchors)的width和height：在.cfg文件中的3个[yolo]层中的每个层中设置相同的9个锚，更改每个[yolo]层锚点的索引masks=，以便[满足第一个[yolo]层的锚点大于60x60，第二个大于30x30，第三个[yolo]层剩余。此外，还应在每个[yolo]层之前更改过滤器filters=(classes + 5) * <number of mask>。如果许多计算出的锚找不到适当的层，那么只需尝试使用所有的默认锚。
（14）加快训练速度（降低检测精度）在cfg文件中为第136层设置参数stopbackward=1
（15）为了使检测到的边界框更准确，在每个[yolo]层上添加3个参数ignore_thresh = .9 iou_normalizer=0.5 iou_loss=giou并进行训练，它将增加[email protected]，但减少[email protected]。
2. 训练后（对于检测）
通过在.cfg文件中设置（height=608，width=608）或（height=832，width=832）或（32的任意值倍数）来提高网络的分辨率，这将提高精度并使检测小对象成为可能。
这里提高了网络的分辨率，但是可以不需要重新训练（即使之前使用416*416分辨率训练的）。但是为了提高精度，还是建议使用更高的分辨率来重新训练。
注意：如果出现了Out of memory的错误，建议提高.cfg文件中的subdivisions=16参数，改成32或者64等。
