如何对YOLO目标检测算法进行迁移学习？含已训练模型调整需求

Got it，咱们直接说怎么改配置实现你的需求——复用之前训练好的YOLO权重，只让最后负责分类输出的层参与训练，前面的特征提取层完全冻结不动：

1. 冻结所有前置特征提取层 #

有两种简单的方式实现冻结，选你顺手的来：

• 全局批量冻结：在你的[net]配置块的末尾，加上一行：

  freeze=XX
  

  这里的XX是你要冻结的层数——数一下cfg里从第一个卷积层开始，到最后一个待训练层（就是你设filters=50的卷积层）的前一层，总共有多少层就填多少。这样前面所有层的权重都不会在训练中更新。
• 逐层精准冻结：给每个不需要训练的层（比如所有前置卷积、池化层）的配置末尾，加上：

  stopbackward=1
  

  这个参数会让反向传播时跳过该层，相当于直接冻结权重。

2. 锁定待训练层的配置 #

你之前已经把classes设为5、filters设为50，这部分要保留好，同时确保这两个核心层不被冻结：

• 找到你设置filters=50的那个卷积层（这层对应YOLO的全连接逻辑），不要给它加stopbackward=1，也别包含在freeze的层数里；
• 对应的[yolo]层（包含Softmax分类逻辑），同样要确保它不在冻结范围内，并且classes=5的设置准确，mask参数和你的YOLO结构匹配（如果是单尺度检测的话不用改）。

3. 训练时的小细节 #

• 启动训练时，指定你之前训练好的权重文件，YOLO会自动加载对应层的预训练权重，冻结的层不会被覆盖；
• 你设置的learning_rate=0.0001很合适，迁移学习用小学习率能避免破坏预训练的特征。

示例修改后的Cfg片段 #

假设你的cfg最后几层是这样的，这里只保留最后两个层的训练权限：

# 前面所有层都加上stopbackward=1，比如：
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
stopbackward=1  # 冻结该层

# ... 中间所有层都按上面的方式加stopbackward=1 ...

# 最后一个卷积层，参与训练
[convolutional]
batch_normalize=1
filters=50
size=1
stride=1
pad=1
activation=linear

# YOLO层，参与训练
[yolo]
mask = 6,7,8
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=5
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=0

这样设置后，训练过程中只有最后那个卷积层和YOLO层的权重会被更新，完全符合你要的迁移学习需求～

内容的提问来源于stack exchange，提问作者Erandaka Anupama