machine-learning - 训练暗网立即结束

Question

我想使用 yolo 架构进行对象检测。在使用自定义数据训练网络之前，我按照以下步骤在 Pascal VOC 数据上对其进行训练:https://pjreddie.com/darknet/yolo/

说明非常清楚。但在最后一步之后

./darknet 探测器训练 cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23

darknet 立即停止训练并宣布权重已写入 backups/ 目录。

起初我认为预训练太好了，立刻就达到了停止标准。因此，我在其中一张测试图像 data/dog 上使用了 ./darknet detector 命令和这些权重。没有发现任何内容。

如果我不使用任何预训练权重，网络就会进行训练。我已经编辑了 cfg/yolo-voc.cfg 来使用

# Testing
#batch=1
#subdivisions=1
# Training
batch=32
subdivisions=8

现在训练过程已经运行了好几个小时并且让我的 GPU 保持温暖。

这是训练暗网的预期方式吗？如何正确使用预训练的权重，而不会中断训练？

是否有任何设置可以创建检查点或了解进度？

Answer 1

添加-clear 1训练结束时，命令将清除该模型在之前训练中看到的图像数量的统计数据。然后您可以根据新数据(集)微调您的模型。

您可以在函数签名中找到有关用法的更多信息 void train_detector(char *datacfg, char *cfgfile, char *weightfile, int *gpus, int ngpus, int clear)在https://github.com/pjreddie/darknet/blob/b13f67bfdd87434e141af532cdb5dc1b8369aa3b/examples/detector.c

我怀疑增加最大迭代次数是个好主意，因为学习率通常与当前的迭代次数相关。当我们想要恢复之前因达到最大迭代次数而结束的训练任务时，我们通常会增加最大迭代次数，但我们相信通过更多迭代，会给出更好的结果。

仅供引用，当您有一个小数据集时，从头开始或从分类网络对其进行训练可能不是一个好主意。您可能仍然想重复使用在 Coco 或 ImageNet 等大型数据集上训练的检测网络的权重。