我想了解YOLO（v2）的训练方法。为此，我正在使用此keras实现https://github.com/experiencor/keras-yolo2在VOC数据集上从头开始训练YOLO（我对其他实现持开放态度，但我从未使用pytorch，因此， keras实现将是首选）。
1-据我了解，YOLO首先是在imageNet上进行分类训练的，然后在训练yolo进行回归（检测边界框）时，应在某些地方使用这些训练后的权重（用于分类）。在互联网上找到的用于从头开始训练yolo的大多数代码中（用于回归），我看不到这些分类权重被加载的部分。什么时候发生？什么时候用于训练yolo回归的分类权重？
2-我对1）中所述的理解正确吗？
提前致谢
您有两种选择：
在您提供的链接上，所有内容均在https://github.com/experiencor/keras-yolo2#2-edit-the-configuration-file中进行了说明。
在代码中，这里完成了整个模型的预训练权重的加载。它是可选的。
后端的预训练权重是强制性的（根据教程），在代码中是在此处完成的（例如完整的Yolo）。请注意，按照教程或文件开头所述，在创建模型之前，您应该已经下载了后端权重。
如果您更改了类别数，则随着分类向量大小的变化，检测器部分（前端）中的过滤器数也会发生变化。但是，即使类数发生变化，后端（特征提取器，即主干）也保持不变。
您可以使用与骨干网大小相匹配的任何预训练权重，但是对于整个网络，如果类数变化，您将无法使用。例如，您不能将Racoon的重量用于猫狗探测器。
您不能使用YoloV2原始权重来初始化此网络，因为Darknet和Keras之间的格式不同，您首先必须将它们转换为Keras格式。
如果您有足够的训练数据，最好只使用骨干预先训练的权重。
请注意，还有一个称为转移学习的附加选项。如果您拥有经过预训练的网络（骨干网和前端网），则可以提取骨干权重并使用它们来初始化网络骨干。
不，前端和后端严格来说不是两个独立的网络：它们是两个链接的网络。实际上，在大多数深度学习框架（例如PyTorch，Keras或Tensorflow）中，任何层都可以视为网络（完全连接，卷积，MaxPool等）。
“网络”只是代表任意复杂数学函数的对象，该函数将输入映射到可以应用自动微分的输出（必须定义正向和反向传播）。
在像Yolo这样的单发物体检测器中，将整个网络视为两个网络的链更重要：骨干网和检测器。这种表示允许更通用的构造和更广泛的调优（即，使用性能更高的主干或轻量级的主干）。
是的，您是对的，边界框回归和标签分类发生在整个网络的最末端，因此发生在前端。
前端可以具有任意数量的层，唯一的约束是在其最后一层，该层应遵循特定的通道大小（即给定数量的过滤器），该大小始终受要分类的类数的限制。
一般在最后输出层信道的数量应该是numberOfClasses + 4其中numberOfClasses包括背景类和其中数字4代表的边界框的四个坐标。此示例已简化很多，建议您阅读Yolo论文以更好地了解网络结构。
看来探测器网络中只有一个可训练层（此处为2D转换）。请注意，输出的大小受类数限制：self.nb_box * (4 + 1 + self.nb_class)。
然后用随机分布初始化该层参数。
关于您的最后一个问题，我认为您应该正确地掌握转学的程序。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句