最近在使用yolo3（参考源码：https://github.com/qqwweee/keras-yolo3）做目标检测，在此记录下遇到的若干问题。
（keras-yolo3源码分析已经满天飞，不重复解读）
问题1：原始的yolo3源码，data_generator过程和模型train过程是阻塞式的，模型train速度会受到data产生的影响
解决思路：单独开一个thread，将data_generator过程wrap起来，做成一个数据提供线程，数据线程采用codition机制，根据batch_size大小，提前准备5~10倍的数据量，保证模型每次fit的时候，能立即拿到数据，无法等待。
问题2：训练集合有小目标，模型训练适过程中，loss先逐步下降，中间突然变为inf，再变为nan
解决思路：loss变为inf，说明梯度计算出现了爆炸，梯度反向传播出现了0。需要检查gt（真实的bbox）的小目标是否过小，训练过程在准备true box的时候，由于需要计算中gt的中心点（(x1 + x2)/2）导致中心点x或y为0！如果存在过小的gt，需要剔除
问题3：numpy中array的shape，PIL中Image的size的区别：
解决：
numpy的array的shape：先h，再w
PIL的Image的size：先w，再h
问题4：在model过程中，模型的中间权重保存过多，占用大量磁盘空间，有指定的批量删除：
解决：
-- 删除前40个epoch的模型权重，其他的不删除
ls | grep "ep0[0123]" | xargs rm -rf
问题5：原始训练集合中真实样本过少，怎么办？
解决方法：
step1：获取真实样本的标签（只是标签），再根据其他背景图和标签做合成；
step2：生成合成的图片过程，而非真正的图片（真正的图片少则几千，多则几万，数目过多，服务器磁盘不够！），这时需要保留标签在背景中的坐标以及背景图片需要裁剪的坐标（如果需要裁剪）
step3：:在模型训练的过程中，实时的动态合成图片
问题6：采用pytho的threading库，自定义线程类时，同时加入了condition机制，如何安全的退出线程
解决方法：
step1：自定义线程类中，添加一个stop函数，调用cond.notify()唤醒可能的wait线程。
step2：run方法中，如果存在循环操作，加入flag标记，保证在wait线程唤醒之后，会退出run方法，而不是又进入下一次循环。
-- over --