我在互联网上搜索过，但发现这方面的信息很少，我不明白 yolo 中的每个变量/值代表什么.cfg文件。所以我希望你们中的一些人能够提供帮助，我不认为我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：

• batch

• 细分

• decay

• momentum

• channels

• filters

• 激活

这是我目前对一些变量的理解。但不一定正确：

[net]

• 批处理：在前向传递中使用许多图像+标签来计算梯度并通过反向传播更新权重。
• 细分：批次被细分为多个“块”。块的图像在 GPU 上并行运行。
• 衰减：也许是一个减少权重以避免出现大值的术语。我猜是出于稳定性原因。
• 频道：在此图片中更好地解释：

On the left we have a single channel with 4x4 pixels, The reorganization layer reduces the size to half then creates 4 channels with adjacent pixels in different channels.

• 动量：我猜新的梯度是通过以下方式计算的momentum * 前一个梯度 + (1-momentum) * 当前批次的梯度。使梯度更加稳定。
• adam：使用 adam 优化器？但对我不起作用
• burn_in：对于前 x 批次，慢慢增加学习率直到其最终值（你的学习率参数值）。使用它来通过监视直到损失减少到什么值（在开始发散之前）来决定学习率。
• policy=steps：使用下面的steps和scales参数来调整训练过程中的学习率
• steps=500,1000：在500和1000个批次后调整学习率
• scales=0.1,0.2：500之后，将LR乘以0.1，然后在1000之后再次乘以0.2
• 角度：通过旋转至此角度（以度为单位）来增强图像

layers

• 过滤器：一层中有多少个卷积核。
• 激活：激活函数，relu，leaky relu等。参见src/activations.h
• stopbackward：仅进行反向传播直到这一层。将其放在第一个 yolo 层之前的泛终极卷积层中，以仅训练其后面的层，例如使用预训练权重时。
• random：放入 yolo 层。如果设置为 1，则通过每隔几个批次将图像大小调整为不同大小来进行数据增强。用于概括对象大小。

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

再次请记住，我对其中许多内容并不能 100% 确定。