YOLO近一年多新出的一種object detection的方法，關於目標檢測及YOLO的介紹可參見：基於深度學習的目標檢測研究進展 ， CVPR2016目標檢測之識別效率篇：YOLO, G-CNN, Loc-Net ，RCNN學習筆記(6)：You Only Look Once(YOLO):Unified, Real-Time Object Detection。
1. 好，現在我們使用yolo一般是想訓練自己的資料集然後識別自己想要detect的object，因為YOLO程式本身是以VOC2012 dataset為樣本來訓練並識別的，詳見官網YOLO: Real-Time Object Detection

。
2. 關於自己訓練這塊，官網沒有做太多說明，這裡有個不錯的教程: Start Training YOLO with Our Own Data 。上邊有一個比較小的資料樣本，而且都標註好了，方便測試。這裡提一下如果自己標註並轉換到規範格式的話，注意convert.py本身是不完善的，每標記一類object都需要修改部分程式碼，尤其類別一定要記的更改，也可參考 yolo的訓練和測試 。
3. 具體操作過程中我本來用的guanghan fork的github程式碼，然後一直是Nan 的問題。最後掉頭使用了官方的github庫，一次執行成功（現在還在執行，哈哈）。所以還是建議用官方的原始碼吧，畢竟也在不斷update，guanghan的應該是不怎麼更新了，不過也有必要下下來試一試。
4. 出現NaN 問題期間一直在那兒除錯（發現自己在除錯時還是偏愛printf，哈哈，技術拙略吧），也算是對原始碼更熟悉了一點。原始碼從yolo.c看起，然後是network.c 、data.h 啥的，可以使用grep 'str_tofind' -nr . 在當前資料夾中遞迴查詢字元出現的位置。還有就是有問題儘量先從官方資料裡找，readme檔案中有連結其google group 。我就是順著這裡看了一遍最後還是沒有找到解決方法，就從新安裝了darknet進行嘗試了。
5. 其他問題，比如我這裡比較悲催，沒有配置GPU的大電腦，只有一塊nvidia的TX1板。記憶體比較小，很容易崩，這一點就需要不斷調整batch和subdivisions了，不囉嗦了。另外也經常會用到sudo sysctl -w vm/drop_caches=3 釋放記憶體, free -m 檢視記憶體使用情況， ~/tegrastats 檢視硬體使用情況等命令。
6. 現在還只是處於訓練狀態，後面應該還會遇到其他問題，再補充。

如圖訓練過程中，引數IOU代表預測目標位置的準確性，越接近1越好；每個batch之後會輸出loss和avg loss，其值越小越好。