训练过程中修改cfg配置文件：
detector.c文件中第206行更改迭代保存次数，进行保存（源代码中为100，当大于2000后，改为10000），更快达到45000次
① Yolo-V2中只需要修改最后一层卷积层中的filter，filter等于（classes + 5）* 5，region中的classes也需要进行修改。
如果classes = 1, filter = 30;
Classes = 2, filter = 35;
② Yolo-V3中则按照官网对应的进行修改，filter和classes分别各有三处需要进行修改，但filter等于（classes + 5）* 3。
yolO v3
训练: ./darknet detector train data/myself/obj.data data/myself/yolov3-myself.cfg build/darknet/x64/darknet53.conv.74 -gpus 1,2,3
测试一张图片：./darknet detector test data/myself/obj.data data/myself/yolov3-myself.cfg backup/yolov3-myself_24768.weights data/myself/JPEGImages/000002.png
测试mAP : ./darknet detector map data/myself/obj.data data/myself/yolov3-myself.cfg backup/yolov3-myself_13624.weights
parse.c文件修改显示:
第730行设置显示的网络参数
第733行设置显示的网络
第1152行设置加载模型位置
第815行显示Total BFLOPS
第1164行printf("\n seen 64 \n")
第1170行printf("\n seen 32 \n")
shortcut_layer.c第9行设置fprintf(stderr,"Shortcut Layer: %d\n", index)
convolutional_layer.c第402行设置fprintf(stderr, "conv %5d %2d x%2d /%2d %4d x%4d x%4d -> %4d x%4d x%4d %5.3f BF\n", n, size, size, stride, w, h, c, l.out_w, l.out_h, l.out_c, l.bflops)
route_layer.c:
第8行fprintf(stderr,"route ")
第18行fprintf(stderr," %d", input_layers[i])
第21行fprintf(stderr, "\n")
unsample_layer.c：
第39行和40行显示：if(l.reverse) fprintf(stderr, "downsample %2dx %4d x%4d x%4d -> %4d x%4d x%4d\n", stride, w, h, c, l.out_w, l.out_h, l.out_c);
else fprintf(stderr, "upsample %2dx %4d x%4d x%4d -> %4d x%4d x%4d\n", stride, w, h, c, l.out_w, l.out_h, l.out_c);
yolo_layer.c:
第58行fprintf(stderr, "yolo\n")
Demo.c:
第109行printf("\nFPS:%.1f\n",fps);
训练需要：
1. txt文件：分为train.txt和test.txt，写入图片相对路径
2. obj.names和obj.data
3. yolo.cfg和初始网络权重darkent53.conv.74（示例：yolo-v3）
4. labels目录文件存放所有图像的txt文件，每张图像对应一个txt文件，命名相同。
0 0.721728594507 0.577540106952 0.0525040387722 0.406417112299
1 0.42084006462 0.54679144385 0.0290791599354 0.211229946524
其中0对应着obj.names中第一个label名字，1对应着obj.names第二个label名字，接着为x,y,width和height
X = (center_x)/图像宽
Y = (center_y)/图像高
Width = (center_width)/图像宽
Height = (center_height)/图像高
5. JPEGImages目录文件存放所有图像