yolo - 了解暗网的 yolo.cfg 配置文件

Question

我在互联网上搜索过，但发现的信息很少，我不明白 yolo 的 .cfg 中每个变量/值代表什么文件。所以我希望你们中的一些人可以提供帮助，我认为我不是唯一遇到这个问题的人，所以如果有人知道 2 或 3 个变量，请发布它们，以便将来需要此类信息的人可以找到它们。

我想知道的主要是:

批次

分割

衰变

动力

channel

过滤器

激活

Answer 1

这是我目前对一些变量的理解。虽然不一定正确:

[网]

批处理:在前向传递中使用了许多图像+标签来计算梯度并通过反向传播更新权重。

分割:批次被分割为这么多“块”。块的图像在 GPU 上并行运行。

衰减:可能是减少权重以避免具有大值的术语。出于稳定性的原因，我猜。

channel :在这张图片中更好地解释了:

在左侧，我们有一个 4x4 像素的单个 channel ，重组层将大小减小到一半，然后创建 4 个 channel ，相邻像素位于不同的 channel 中。

动量:我猜新梯度是由动量 * previous_gradient + (1-momentum) * gradient_of_current_batch 计算的。使梯度更稳定。

亚当:使用亚当优化器？虽然对我不起作用

burn_in:对于前 x 个批次，缓慢增加学习率直到其最终值(您的 learning_rate 参数值)。使用它来通过监视直到损失减少的值(在它开始发散之前)来决定学习率。

policy=steps:使用下面的steps和scales参数在训练过程中调整学习率

step=500,1000:调整500、1000批次后的学习率

scales=0.1,0.2:500后，LR乘以0.1，1000后再次乘以0.2

角度:通过旋转到这个角度(以度为单位)来增强图像

层

过滤器:一层中有多少卷积核。

激活:激活函数、relu、leaky relu等。见src/activations.h

stopbackward:只做反向传播直到这一层。将它放在第一个 yolo 层之前的 panultimate 卷积层中，以仅训练其后面的层，例如使用预训练权重时。

随机:放入 yolo 层。如果设置为 1，则通过每隔几批将图像调整为不同大小来进行数据增强。用于概括对象大小。

许多事情或多或少是不言自明的(大小、步幅、batch_normalize、max_batches、宽度、高度)。如果您有更多问题，请随时发表评论。

同样，请记住，我对其中许多不是 100% 确定。