YOLO訓練視覺化訓練過程中的中間引數-解析
等待訓練結束後（有時還沒等結束模型就開始發散了），因此需要檢測各項指標（如loss）是否達到了我們期望的數值，如果沒有，要分析為什麼。視覺化訓練過程的中間引數可以幫助我們分析問題。 視覺化中間引數需要用到訓練時儲存的log檔案：
./darknet detector train cfg/tiny-yolo.cfg tiny-yolo_8000.conv.9 2>1 | tee person_train_log.txt命令：
tee person_train_log.txt
- 1
儲存log時會生成兩個檔案，檔案1裡儲存的是網路載入資訊和checkout點儲存資訊，person_train_log.txt中儲存的是訓練資訊。
訓練log中各引數的意義
Region Avg IOU：平均的IOU，代表預測的bounding box和ground truth的交集與並集之比，期望該值趨近於1。
Class：是標註物體的概率，期望該值趨近於1.
Obj：期望該值趨近於1.
No Obj：期望該值越來越小但不為零.
Avg Recall：期望該值趨近1
avg：平均損失，期望該值趨近於0
rate：當前學習率
在使用指令碼繪製變化曲線之前，需要先使用extract_log.py指令碼，格式化log,用生成的新的log檔案供視覺化工具繪圖，格式化log的extract_log.py指令碼如下：
# coding=utf-8 # 該檔案用來提取訓練log，去除不可解析的log後使log檔案格式化，生成新的log檔案供視覺化工具繪圖 def extract_log(log_file,new_log_file,key_word): f = open(log_file) train_log = open(new_log_file, 'w') for line in f: # 去除多gpu的同步log if 'Syncing' in line: continue # 去除除零錯誤的log if 'nan' in line: continue if key_word in line: train_log.write(line) f.close() train_log.close() extract_log('person_train_log.txt','person_train_log_loss.txt','images') #voc_train_log.txt 用於繪製loss曲線 extract_log('person_train_log.txt','person_train_log_iou.txt','IOU')使用train_loss_visualization.py指令碼可以繪製loss變化曲線
train_loss_visualization.py指令碼如下：import pandas as pd import numpy as np import matplotlib.pyplot as plt #%matplotlib inline lines =9873 result = pd.read_csv('person_train_log_loss.txt', skiprows=[x for x in range(lines) if ((x%10!=9) |(x<1000))] ,error_bad_lines=False, names=['loss', 'avg', 'rate', 'seconds', 'images']) result.head() result['loss']=result['loss'].str.split(' ').str.get(1) result['avg']=result['avg'].str.split(' ').str.get(1) result['rate']=result['rate'].str.split(' ').str.get(1) result['seconds']=result['seconds'].str.split(' ').str.get(1) result['images']=result['images'].str.split(' ').str.get(1) result.head() result.tail() #print(result.head()) # print(result.tail()) # print(result.dtypes) print(result['loss']) print(result['avg']) print(result['rate']) print(result['seconds']) print(result['images']) result['loss']=pd.to_numeric(result['loss']) result['avg']=pd.to_numeric(result['avg']) result['rate']=pd.to_numeric(result['rate']) result['seconds']=pd.to_numeric(result['seconds']) result['images']=pd.to_numeric(result['images']) result.dtypes fig = plt.figure() ax = fig.add_subplot(1, 1, 1) ax.plot(result['avg'].values,label='avg_loss') #ax.plot(result['loss'].values,label='loss') ax.legend(loc='best') ax.set_title('The loss curves') ax.set_xlabel('batches') fig.savefig('avg_loss') #fig.savefig('loss')修改train_loss_visualization.py中lines為log行數，並根據需要修改要跳過的行數：
skiprows=[x for x in range(lines) if ((x%10!=9) |(x<1000))]
- 1
執行train_loss_visualization.py會在指令碼所在路徑生成avg_loss.png。
可以通過分析損失變化曲線，修改cfg中的學習率變化策略，比如上圖：模型在100000萬次迭代後損失下降速度非常慢，幾乎沒有下降。結合log和cfg檔案發現，自定義的學習率變化策略在十萬次迭代時會減小十倍，十萬次迭代後學習率下降到非常小的程度，導致損失下降速度降低。修改cfg中的學習率變化策略，10萬次迭代時不改變學習率，30萬次時再降低。
除了視覺化loss，還可以視覺化Avg IOU，Avg Recall等引數
視覺化’Region Avg IOU’, ‘Class’, ‘Obj’, ‘No Obj’, ‘Avg Recall’,’count’這些引數可以使用指令碼train_iou_visualization.py，使用方式和train_loss_visualization.py相同，train_iou_visualization.py指令碼如下：
import pandas as pd import numpy as np import matplotlib.pyplot as plt #%matplotlib inline lines =9873 result = pd.read_csv('voc_train_log_iou.txt', skiprows=[x for x in range(lines) if (x%10==0 or x%10==9) ] ,error_bad_lines=False, names=['Region Avg IOU', 'Class', 'Obj', 'No Obj', 'Avg Recall','count']) result.head() result['Region Avg IOU']=result['Region Avg IOU'].str.split(': ').str.get(1) result['Class']=result['Class'].str.split(': ').str.get(1) result['Obj']=result['Obj'].str.split(': ').str.get(1) result['No Obj']=result['No Obj'].str.split(': ').str.get(1) result['Avg Recall']=result['Avg Recall'].str.split(': ').str.get(1) result['count']=result['count'].str.split(': ').str.get(1) result.head() result.tail() #print(result.head()) # print(result.tail()) # print(result.dtypes) print(result['Region Avg IOU']) result['Region Avg IOU']=pd.to_numeric(result['Region Avg IOU']) result['Class']=pd.to_numeric(result['Class']) result['Obj']=pd.to_numeric(result['Obj']) result['No Obj']=pd.to_numeric(result['No Obj']) result['Avg Recall']=pd.to_numeric(result['Avg Recall']) result['count']=pd.to_numeric(result['count']) result.dtypes fig = plt.figure() ax = fig.add_subplot(1, 1, 1) ax.plot(result['Region Avg IOU'].values,label='Region Avg IOU') #ax.plot(result['Class'].values,label='Class') #ax.plot(result['Obj'].values,label='Obj') #ax.plot(result['No Obj'].values,label='No Obj') #ax.plot(result['Avg Recall'].values,label='Avg Recall') #ax.plot(result['count'].values,label='count') ax.legend(loc='best') #ax.set_title('The Region Avg IOU curves') ax.set_title('The Region Avg IOU curves') ax.set_xlabel('batches') #fig.savefig('Avg IOU') fig.savefig('Region Avg IOU')執行train_iou_visualization.py會在指令碼所在路徑生成相應的曲線圖。