我可以使用更多训练和测试图像从最终重量继续训练吗？
Can I continue to training from final .weight with more train and test images?
我用 darknet yolov3 训练了我的自定义对象检测，直到平均损失降低到 0.06，但现在我想用 more 训练和测试图像来训练它（可能 还删除了 一些图像文件）。我可以执行这些步骤并继续使用最终的 .weights 文件进行训练，还是应该从头开始？
是的，您可以使用当前训练的模型（.weights 文件）作为新训练课程的预训练模型。例如，如果您使用 AlexeyAB repository，您可以通过这样的命令训练您的模型：
darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74
其中 darknet53.conv.74 是预训练模型。
在新的训练课程中，您可以添加或删除图像。但是，基本配置应该是正确的（如类的数量等）。
根据我提到的页面：
in the original repository original repository the
weights-file is saved only once every 10 000 iterations
打开.cfg，发现max_batches代码可能在第22行，设置较大的值：
max_batches = 500200
max_batches与tranning迭代相同
如果你恢复，你需要指定更多的纪元。例如，如果你训练到 300/300，那么 resume 也会训练到 300（从 300 开始），除非你指定更多的 epochs..
python train.py --简历
您可以从之前保存的自定义模型权重中恢复训练。
使用“yolov3_custom_last.weights”而不是预训练的默认权重。
如果您发现恢复存在一些问题，请尝试更改批量大小。
这应该可以工作并使用新的图像集恢复您的模型训练:)
如果您刚刚修改了数据集，但对更改模型架构不感兴趣，可以直接使用AlexeyAB/darknet中的DarkNet从之前保存的模型中恢复。例如，
darknet.exe detector train cfg/obj.data cfg/yolov3.cfg yolov3_weights_last.weights -clear -map
clear 标志将重置保存在权重中的迭代，这适用于数据集更改的情况。那是因为学习率通常取决于迭代次数，您可能不想更改配置。
我用 darknet yolov3 训练了我的自定义对象检测，直到平均损失降低到 0.06，但现在我想用 more 训练和测试图像来训练它（可能 还删除了 一些图像文件）。我可以执行这些步骤并继续使用最终的 .weights 文件进行训练，还是应该从头开始？
是的，您可以使用当前训练的模型（.weights 文件）作为新训练课程的预训练模型。例如，如果您使用 AlexeyAB repository，您可以通过这样的命令训练您的模型：
darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74
其中 darknet53.conv.74 是预训练模型。
在新的训练课程中，您可以添加或删除图像。但是，基本配置应该是正确的（如类的数量等）。
根据我提到的页面：
in the original repository original repository the weights-file is saved only once every 10 000 iterations
打开.cfg，发现max_batches代码可能在第22行，设置较大的值：
max_batches = 500200
max_batches与tranning迭代相同
如果你恢复，你需要指定更多的纪元。例如，如果你训练到 300/300，那么 resume 也会训练到 300（从 300 开始），除非你指定更多的 epochs..
python train.py --简历
您可以从之前保存的自定义模型权重中恢复训练。
使用“yolov3_custom_last.weights”而不是预训练的默认权重。
如果您发现恢复存在一些问题，请尝试更改批量大小。
这应该可以工作并使用新的图像集恢复您的模型训练:)
如果您刚刚修改了数据集，但对更改模型架构不感兴趣，可以直接使用AlexeyAB/darknet中的DarkNet从之前保存的模型中恢复。例如，
darknet.exe detector train cfg/obj.data cfg/yolov3.cfg yolov3_weights_last.weights -clear -map
clear 标志将重置保存在权重中的迭代，这适用于数据集更改的情况。那是因为学习率通常取决于迭代次数，您可能不想更改配置。