模型建立完成后，便需要对模型进行训练。模型建立详见：https://www.cnblogs.com/monologuesmw/p/12793758.html

代码解析

　　下载的源码集中包含两个训练相关的文件：train.py和train_bottleneck.py。train.py 和 train_bottleneck.py确实会有不少的区别

• train.py

1 model = create_model(input_shape, anchors, len(class_names) ) train(model, annotation_path, input_shape, anchors, len(class_names), log_dir)

• train_bottleneck.py

1 model, bottleneck_model, last_layer_model = create_model(input_shape, anchors, num_classes, freeze_body=2, weights_path='model_data/yolo.h5')

　　从两个.py文件函数的参数以及输出来看，train_bottleneck.py中包含模型冻结的部分，即预训练和微调，更符合YOLOv3训练的过程。 

　　_main()函数中，设置了一些信息后，直接create_model

1 model, bottleneck_model, last_layer_model = create_model(input_shape, anchors, num_classes,
2         freeze_body=2, weights_path='model_data/yolo.h5')  # make sure you know what you freeze

　　其中，可以看出freeze_body会有设置，也就是后续冻结哪一部分进行训练。返回的参数除了model以外，还有bottleneck_model和last_layer_model。

　　

　　该create_model中，除了上述设置的参数，还有一个默认参数load_pretrained=True， 是否导入预训练模型的参数。

1 def create_model(input_shape, anchors, num_classes, load_pretrained=True, freeze_body=2, weights_path='model_data/yolo.h5'):

　　然后，会像网络结构介绍的一样，通过yolo_body生成一个model_body。即生成整个模型的框架。

1 model_body = yolo_body(image_input, num_anchors//3, num_classes)

  

　　然后，要开始训练喽！

　　据了解，训练一共分为两个阶段：

• 第一阶段，冻结部分网络，只训练底层权重。
  • 　　优化器使用常见的Adam；
  • 　　损失函数，直接使用模型的输出y_pred，忽略真值y_true；
• 第二阶段，使用第1阶段已训练完成的网络权重，继续训练
  • 将全部的权重都设置为可训练，而在第1阶段中，则是冻结部分权重；
  • 优化器，仍是Adam，只是学习率有所下降，从1e-3减少至1e-4；
  • 损失函数，仍是只使用y_pred，忽略y_true。

　　先知道训练分两个阶段，第一个阶段有一些不参与训练，第二阶段全部都参与训练就可以了。  

准备工作：

1 model, bottleneck_model, last_layer_model = create_model(input_shape, anchors, num_classes,
2         freeze_body=2, weights_path='model_data/yolo.h5')

• 封冻模型
• 建立了三种模型：model, bottleneck_model, last_layer_model

1. 冻结网络

• 先导入默认的那个模型参数
• 模型的层数-3（输出的y1,y2,y3），由于freeze_body设置的是2，所以此处的num = 252-3 = 249层，即除了输出的3层外，共有249层。
• 让这249层不参与训练，trainable = Flase.【下述代码第7行】

1 if load_pretrained:
2     model_body.load_weights(weights_path, by_name=True, skip_mismatch=True)
3     print('Load weights {}.'.format(weights_path))
4     if freeze_body in [1, 2]:
5         # Freeze darknet53 body or freeze all but 3 output layers.冻结darknet53或者冻结除3个输出层外的所有输出层
6         num = (185, len(model_body.layers)-3)[freeze_body-1]  # 这里减了3个输出层
7         for i in range(num): model_body.layers[i].trainable = False   # 此时的num为252-3=249，将这些层的权重不参与训练
8         print('Freeze the first {} layers of total {} layers.'.format(num, len(model_body.layers)))  

2. 取除输出的y1,y2,y3三层的另外三层。即246、247、248层的输出。（249,250,251是y1,y2,y3三层）。用这些层建立了一个bottleneck_mode

1 out1=model_body.layers[246].output    
2 out2=model_body.layers[247].output
3 out3=model_body.layers[248].output
4 
5 bottleneck_model = Model([model_body.input, *y_true], [out1, out2, out3])

　　揣测一下，其含义就是除y1，y2, y3输出层以外其余的模型，即冻结部分的模型。

　　P.S.  A. y_true的是三个尺度的输出层：

1 y_true = [Input(shape=(h//{0:32, 1:16, 2:8}[l], w//{0:32, 1:16, 2:8}[l], \ num_anchors//3, num_classes+5)) for l in range(3)]

  

　　单独将246,247,248层的输出 和 249,250,251的层的输出拿出来，一个作为in， 一个作为out

1 in0 = Input(shape=bottleneck_model.output[0].shape[1:].as_list()) 
2 in1 = Input(shape=bottleneck_model.output[1].shape[1:].as_list())
3 in2 = Input(shape=bottleneck_model.output[2].shape[1:].as_list())
4 
5 last_out0=model_body.layers[249](in0)
6 last_out1=model_body.layers[250](in1)
7 last_out2=model_body.layers[251](in2)

　　构建了一个246,247,248层为输入，249,250,251层为输出的Model，它这里称之为model_last：

1 model_last=Model(inputs=[in0, in1, in2], outputs=[last_out0, last_out1, last_out2])

　　揣测一下，model_last就是倒数第二层到倒数第一层的模型

　　自定义Lambda（这个大Lambda 是Keras.layers里的） 模型损失函数层 ，将任意表达式封装为layers对象

　　

yolo_loss在损失函数loss篇介绍。详见：

1 model_loss_last =Lambda(yolo_loss, output_shape=(1,), name='yolo_loss',
2     arguments={'anchors': anchors, 'num_classes': num_classes, 'ignore_thresh': 0.5})(
3     [*model_last.output, *y_true])      # 后面是输入，前面是输出

　　这里的model_loss_last是最后一层之间的损失层

1 last_layer_model = Model([in0,in1,in2, *y_true], model_loss_last)

　　last_layer_last是带损失层的最后一层

1 model_loss = Lambda(yolo_loss, output_shape=(1,), name='yolo_loss', arguments={'anchors': anchors, 'num_classes': num_classes, 'ignore_thresh': 0.5})( [*model_body.output, *y_true])

　　这里是模型整体的损失层

1 model = Model([model_body.input, *y_true], model_loss)

　　这里是带损失层的整体模型

　　

　　该create_model中，返回的参数有 model, bottleneck_model, last_layer_model

　　其实，建模的过程中，所有的loss层都是为了给模型添加损失函数。也就是说，过程中生成的各种都是为了三模型model, bottleneck_model, last_layer_model服务的。 只不过这里给model 和last_layer_model添加了其对应的损失层而已。

　　直接将loss的计算作为一个层绑定在模型上。

1 return model, bottleneck_model, last_layer_model

模型保存设置

• 监视验证的损失
• 只保存权重
• 只保存最好的
• 每迭代三次检测一次

1 checkpoint = ModelCheckpoint(log_dir + 'ep{epoch:03d}-loss{loss:.3f}-val_loss{val_loss:.3f}.h5',
2     monitor='val_loss', save_weights_only=True, save_best_only=True, period=3)  

模型训练设置

• 可视化的展示器
• 当检测值不发生变化时，停止训练

1 reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3, verbose=1) 
2 early_stopping = EarlyStopping(monitor='val_loss', min_delta=0, patience=10, verbose=1)

划分训练集和验证集

1 val_split = 0.1
2 with open(annotation_path) as f:
3     lines = f.readlines()
4 np.random.seed(10101)
5 np.random.shuffle(lines)
6 np.random.seed(None)
7 num_val = int(len(lines)*val_split)
8 num_train = len(lines) - num_val

第一阶段1：

　　第一阶段的训练是只训练最后一层，最后一层的训练需要有前面层的输出，因此，此处使用predict_ generator方法获取前面各层的输出。

• 输入通过data_generator_wrapper函数生成 ---- 详见真值篇

1 batch_size=8
2 bottlenecks=bottleneck_model.predict_generator(data_generator_wrapper(lines, batch_size, input_shape, anchors, num_classes, random=False, verbose=True),
3  steps=(len(lines)//batch_size)+1, max_queue_size=1)
4 np.savez("bottlenecks.npz", bot0=bottlenecks[0], bot1=bottlenecks[1], bot2=bottlenecks[2])

　　由于后续训练的过程中，需要有训练集和验证集，所以此处也需要对训练集和测试集两种进行预测，获得输出。

　　对bottleneck.npz进行保存。

　　然后再将其导入进来，获得了训练集和验证集。 将预测后的倒数第二层的输出作为最后一层训练的输入。

1 # load bottleneck features from file
2 dict_bot=np.load("bottlenecks.npz")
3 bottlenecks_train=[dict_bot["bot0"][:num_train], dict_bot["bot1"][:num_train], dict_bot["bot2"][:num_train]]
4 bottlenecks_val=[dict_bot["bot0"][num_train:], dict_bot["bot1"][num_train:], dict_bot["bot2"][num_train:]]

  

******************"Training last layers with bottleneck features"***************************************

　　有了输出以后，便可以训练最后一层。

　　通过compile配置训练的过程，通过fit_generator 进行训练。

 1 # train last layers with fixed bottleneck features   训练最后一层在bottleneck层固定的基础上
 2 batch_size=8
 3 print("Training last layers with bottleneck features")
 4 print('with {} samples, val on {} samples and batch size {}.'.format(num_train, num_val, batch_size))
 5 last_layer_model.compile(optimizer='adam', loss={'yolo_loss': lambda y_true, y_pred: y_pred})  # 配置学习过程
 6 last_layer_model.fit_generator(bottleneck_generator(lines[:num_train], batch_size, input_shape, anchors, num_classes, bottlenecks_train),
 7         steps_per_epoch=max(1, num_train//batch_size),
 8         validation_data=bottleneck_generator(lines[num_train:], batch_size, input_shape, anchors, num_classes, bottlenecks_val),
 9         validation_steps=max(1, num_val//batch_size),
10         epochs=30,
11         initial_epoch=0, max_queue_size=1)
12 model.save_weights(log_dir + 'trained_weights_stage_0.h5')

　　从这里可以看出去，bottleneck的输出确实是模型倒数第二层的输出（即13*13*1024，26*26*512, 52*52*256）。

　　此部分中bottleneck_generator生成数据（其实是一个生成器），也会进入get_random_data和preprocess_true_boxes中进行数据的生成。不同的是标志位的设置不同。

　　1.get_random_data

1 _, box = get_random_data(annotation_lines[i], input_shape, random=False, proc_img=False)

　　random和proc_image都置位False。

• random置位False：不随机生成图片，即仅是等比缩放，所做的dx和dy肯定是在416*416的中部。
• proc_image置位False： 在等比缩放后并没有将其放在标定的灰片上， 也没有对数据进行归一化。

　　因为其并不需要返回图片的信息，只需要返回边框，用于后续真值的生成。这个时候box的信息只是将原标定的框缩放到416*416中。

　　2. preprocess_true_boxes

1 y_true = preprocess_true_boxes(box_data, input_shape, anchors, num_classes)

　　y_true的生成并不会有什么区别

　　这部分训练的是last_layer_model， 输入是等比缩放下的图片和框。下面训练的是model，虽然249层全部冻结。但输入的是非等比缩放，并通过数据增强的数据。 个人感觉在训练不同的模型时，各模型权重应该是一个浅拷贝的关系。即互相之间是有影响的。  

第一阶段2：

 1 model.compile(optimizer=Adam(lr=1e-3), loss={     
 2     # use custom yolo_loss Lambda layer.
 3     'yolo_loss': lambda y_true, y_pred: y_pred})
 4 batch_size = 16
 5 print('Train on {} samples, val on {} samples, with batch size {}.'.format(num_train, num_val, batch_size))
 6 model.fit_generator(data_generator_wrapper(lines[:num_train], batch_size, input_shape, anchors, num_classes),
 7         steps_per_epoch=max(1, num_train//batch_size),
 8         validation_data=data_generator_wrapper(lines[num_train:], batch_size, input_shape, anchors, num_classes),
 9         validation_steps=max(1, num_val//batch_size),
10         epochs=50,
11         initial_epoch=0,
12         callbacks=[logging, checkpoint])
13 model.save_weights(log_dir + 'trained_weights_stage_1.h5')

第二阶段：

　　此阶段将会打开所有层，全部参与训练过程。

　　如果训练结果不够好，可以训练的代数长一些。

 1 # Unfreeze and continue training, to fine-tune.   这里是第二阶段
 2 # Train longer if the result is not good.
 3 if True:
 4     for i in range(len(model.layers)):
 5         model.layers[i].trainable = True     # 训练开关都打开了  这里是第二阶段的学习参数
 6     model.compile(optimizer=Adam(lr=1e-4), loss={'yolo_loss': lambda y_true, y_pred: y_pred}) # recompile to apply the change
 7     print('Unfreeze all of the layers.')
 8 
 9     batch_size = 4  # note that more GPU memory is required after unfreezing the body
10     print('Train on {} samples, val on {} samples, with batch size {}.'.format(num_train, num_val, batch_size))
11     model.fit_generator(data_generator_wrapper(lines[:num_train], batch_size, input_shape, anchors, num_classes),
12         steps_per_epoch=max(1, num_train//batch_size),
13         validation_data=data_generator_wrapper(lines[num_train:], batch_size, input_shape, anchors, num_classes),
14         validation_steps=max(1, num_val//batch_size),
15         epochs=100,
16         initial_epoch=50,
17         callbacks=[logging, checkpoint, reduce_lr, early_stopping])
18     model.save_weights(log_dir + 'trained_weights_final.h5')

　　过程太多，对每一次的设置进行总结，以便区分：