0.说明

本文用作自己学习过程的记录，以及分享给有需要的伙伴。

文章有错误漏洞欢迎批评指正。

1.源码及论文下载：

YOLO v3论文：Click here

YOLO v4论文：click here

Darknet YOLOv4下载：

（1）官方原版：click here

（2）AlexeyAB版：click here

AlexeyAB版比原版维护力度更大，更建议第二个

（1）训练完毕什么都识别不到。

·有的博客说，是因为没有使用AB版发行的DarkNet。

但是我在做的时候，什么都识别不到，并不是这个原因。

·还有是在测试时需要更改cfg文件，注释掉Training部分，取注Testing部分。

·测试时可能需要等一会，等完全加载完网络之后，再输入图片路径。

·也可能是数据集本身有问题，比如数据分布不均衡(大于3:1)，太多数据没有标签等。

（2）训练几百代后的模型拿来测试，发现什么都识别不到。

可能是阈值太高了，可以在测试脚本后面加上- thresh 0.1试试看。

（3）模型与预训练权重之间需要对应。

v3v4有非tiny版本也有tiny版本，DarknetYolov3v4模型文件及其预训练权重文件（tiny与非tiny）下载：

（4）小trick

·更改makefile文件之后，先make clean，再make（或make -j8,多线程编译，常四核八线程）

·Makefile文件中的Opennmp置为1，可开启cpu多线程加速。

·当整体损失loss降至小数点后两位时，效果可能会比较好

·在cfg配置文件中,置位random,可动态调整网络输入尺寸，提高精度。

（5）batch大小的设置

常设置值为8,16,32,64。

·值越大网络更新一次参数就能学到更多的信息，但要考虑显存的大小。

·值越小则每一代运行速度越快，但训练完毕需要的代数也就越多。

（6）输入尺寸的设置

·网络输入尺寸的长宽常为224*224,416*416,866*800,1024*1024等。

·但长宽须为32的倍数。

·数据集中的图片的大小会被resize成网络设定的输入尺寸。

·越小的尺寸训练速度快，但精度差；越大的尺寸训练速度慢，但精度高。常用416*416.

·也可以训练时使用416*416,再在部署时改成其他尺寸的。