yolov3.cfg参数说明及调参经验 |
您所在的位置:网站首页 › yolov3训练时间长吗 › yolov3.cfg参数说明及调参经验 |
# Testing(此处下面的两行,测试的时候开启即可)
#batch=1 # 每batch个样本更新一次参数。
#subdivisions=1 # 如果内存不够大,将batch分割为subdivisions个子batch,每个子batch的大小为batch/subdivisions。
# Training(此处下面的两行,训练的时候开启即可)
batch=64 # 表示网络积累多少个样本后进行一次正向传播
subdivisions=16 # 将一个batch的图片分sub次完成网络的正向传播
width=416 # 输入图像的宽
height=416 # 输入图像的高
channels=3 # 输入图像的通道数
momentum=0.9 # 动量系数
decay=0.0005 # 权重衰减正则项,防止过拟合
# 下面四行,是数据增强的参数
angle=0 # 通过旋转角度来生成更多训练样本
saturation = 1.5 # 通过调整饱和度来生成更多训练样本
exposure = 1.5 # 通过调整曝光量来生成更多训练样本
hue=.1 # 通过调整色调来生成更多训练样本
learning_rate=0.001 # 初始学习率
burn_in=1000 #
max_batches = 500200 # 训练达到max_batches后停止学习
policy=steps # 调整学习率的policy,有如下policy:CONSTANT, STEP, EXP, POLY, STEPS, SIG, RANDOM
steps=400000,450000 # 根据batch_num调整学习率
scales=.1,.1 # 学习率变化的比例,累计相乘
[convolutional]
batch_normalize=1 # 是否做BN
filters=32 # 卷积核的个数,也是输出的特征图的维度
size=3 # 卷积核的尺寸3*3
stride=1 # 做卷积运算的步长
pad=1 # 如果pad为0,padding由 padding参数指定。如果pad为1,padding大小为size/2
activation=leaky # 常用激活函数:logistic,relu,leaky,tanh
[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 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |