[net]                   batch=64                     表示网络积累多少个样本后进行一次BP

subdivisions=16              这个参数表示将一个batch的图片分sub次完成网络的前向传播，程中将一次性加载64张图片进内存，然后分16次完成前向传播，意思是每次4张，前向传播的循环过程中                             累加loss求平均，待64张图片都完成前向传播后，再一次性后传更新参数                             调参经验：sub一般设置16，不能太大或太小，且为8的倍数，其实也没啥硬性规定，看着舒服就好                             batch的值可以根据显存占用情况动态调整，一次性加减sub大小即可，通常情况下batch越大越好，还需                             注意一点，在测试的时候batch和sub都设置为1，避免发生神秘错误！

width=608                    网络输入的宽widthheight=608                   网络输入的高heightchannels=3                   网络输入的通道数channels                             width和height一定要为32的倍数，否则不能加载网络                             提示：width也可以设置为不等于height，通常情况下，width和height的值越大，对于小目标的识别                             效果越好，但受到了显存的限制，读者可以自行尝试不同组合                             momentum=0.9                 动量 DeepLearning1中最优化方法中的动量参数，这个值影响着梯度下降到最优值得速度decay=0.0005                 权重衰减正则项，防止过拟合

angle=0                      数据增强参数，通过旋转角度来生成更多训练样本saturation = 1.5             数据增强参数，通过调整饱和度来生成更多训练样本exposure = 1.5               数据增强参数，通过调整曝光量来生成更多训练样本hue=.1                       数据增强参数，通过调整色调来生成更多训练样本

learning_rate=0.001          学习率决定着权值更新的速度，设置得太大会使结果超过最优值，太小会使下降速度过慢。                             如果仅靠人为干预调整参数，需要不断修改学习率。刚开始训练时可以将学习率设置的高一点，                             而一定轮数之后，将其减小在训练过程中，一般根据训练轮数设置动态变化的学习率。                             刚开始训练时：学习率以 0.01 ~ 0.001 为宜。一定轮数过后：逐渐减缓。                             接近训练结束：学习速率的衰减应该在100倍以上。                             学习率调整一定不要太死，实际训练过程中根据loss的变化和其他指标动态调整，手动ctrl+c结                             束此次训练后，修改学习率，再加载刚才保存的模型继续训练即可完成手动调参，调整的依据是根据训练                             日志来，如果loss波动太大，说明学习率过大，适当减小，变为1/5，1/10均可，如果loss几乎不变，                             可能网络已经收敛或者陷入了局部极小，此时可以适当增大学习率，注意每次调整学习率后一定要训练久                             一点，充分观察，调参是个细活，慢慢琢磨                             一点小说明：实际学习率与GPU的个数有关，例如你的学习率设置为0.001，如果你有4块GPU，那                             真实学习率为0.001/4burn_in=1000                 在迭代次数小于burn_in时，其学习率的更新有一种方式，大于burn_in时，才采用policy的更新方式max_batches = 500200         训练次数达到max_batches后停止学习，一次为跑完一个batch

policy=steps                 学习率调整的策略：constant, steps, exp, poly, step, sig, RANDOM，constant等方式                             steps=400000,450000          steps和scale是设置学习率的变化，比如迭代到400000次时，学习率衰减十倍，45000次迭代时，学scales=.1,.1                 习率又会在前一个学习率的基础上衰减十倍                            

[convolutional]为卷积层，详细注释如下:

[convolutional]              一层卷积层的配置说明batch_normalize=1            是否进行BN处理 filters=32                   卷积核个数，也是输出通道数size=3                       卷积核尺寸stride=1                     卷积步长pad=1                        卷积时是否进行0 padding,padding的个数与卷积核尺寸有关，为size/2向下取整，如3/2=1activation=leaky             网络层激活函数                             卷积核尺寸3*3配合padding且步长为1时，不改变feature map的大小

[shortcut]层详细注释如下:

[shortcut]                   shotcut层配置说明from=-3                      与前面的多少次进行融合，-3表示前面第三层activation=linear            层次激活函数

[yolo]层详细注释如下:

[yolo]                       YOLO层配置说明mask = 0,1,2                 使用anchor的索引，0，1，2表示使用下面定义的anchors中的前三个anchoranchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326   classes=80                   类别数目num=9                        每个grid cell总共预测几个box,和anchors的数量一致。当想要使用更多anchors时需要调大numjitter=.3                    数据增强手段，此处jitter为随机调整宽高比的范围ignore_thresh = .7truth_thresh = 1             参与计算的IOU阈值大小.当预测的检测框与ground truth的IOU大于ignore_thresh的时候，参与                             loss的计算，否则，检测框的不参与loss计算。                             理解：目的是控制参与loss计算的检测框的规模，当ignore_thresh过于大，接近于1的时候，那么参与                             检测框回归loss的个数就会比较少，同时也容易造成过拟合；而如果ignore_thresh设置的过于小，那么                             参与计算的会数量规模就会很大。同时也容易在进行检测框回归的时候造成欠拟合。                             参数设置：一般选取0.5-0.7之间的一个值，之前的计算基础都是小尺度（13*13）用的是0.7，（26*26）用的是0.5。这次先将0.5更改为0.7。

random=1                     为1打开随机多尺度训练，为0则关闭                             提示：当打开随机多尺度训练时，前面设置的网络输入尺寸width和height其实就不起作用了，width                             会在320到608之间随机取值，且width=height，没10轮随机改变一次，一般建议可以根据自己需要修改                             随机尺度训练的范围，这样可以增大batch