batch=64 ? ?# 一批训练样本的样本数量，每batch个样本更新一次参数
subdivisions=32 ? ?# 它会让你的每一个batch不是一下子都丢到网络里。而是分成subdivision对应数字的份数，一份一份的跑完后，在一起打包算作完成一次iteration
width=416 ? ? ?# 只可以设置成32的倍数
height=416 ? ? # 只可以设置成32的倍数
channels=3 ?# 若为灰度图，则chennels=1，另外还需修改/scr/data.c文件中的load_data_detection函数；若为RGB则 channels=3 ，无需修改/scr/data.c文件
momentum=0.9 ? ? ? # 最优化方法的动量参数，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 ? ? # 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 ? ? ? ?# 学习率, 刚开始训练时, 以 0.01 ~ 0.001 为宜, 一定轮数过后,逐渐减缓。
burn_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 = 50200 ? ? ?# 训练步数
policy=steps ? ? ?# 学习率调整的策略
steps=40000,45000 ? ? ? ? # 开始衰减的步数
scales=.1,.1 ? ? ? # 在第40000和第45000次迭代时，学习率衰减10倍
...
[convolutional]——YOLO层前一层卷积层
...
filters=24 ? ? # 每一个[yolo]层前的最后一个卷积层中的 filters=num(yolo层个数)*(classes+5)
...
[yolo]
mask = 6,7,8
anchors = 10,13, ?16,30, ?33,23, ?30,61, ?62,45, ?59,119, ?116,90, ?156,198, ?373,326 #如果想修改默认anchors数值，使用k-means即可；
classes=3 ? # 修改为自己的类别数
num=9 ? ? # 每个grid cell预测几个box,和anchors的数量一致。调大num后训练时Obj趋近0的话可以尝试调大object_scale
jitter=.3 # 利用数据抖动产生更多数据, jitter是crop的参数, jitter=.3，就是在0~0.3中进行crop
ignore_thresh = .5 ? # 决定是否需要计算IOU误差的参数，大于thresh，IOU误差不会夹在cost function中
truth_thresh = 1
random=1 ? # 如果为1，每次迭代图片大小随机从320到608，步长为32，如果为0，每次训练大小与输入大小一致
...
?