写一点我在使用代码训练时遇到的问题以及解决办法，仅供参考

[MikeMegamind]

首先非常感谢cuixing大佬提供的代码，让我等新手不用费心去写相关程序。但是在运行程序的时候我遇到了一些问题，也对原代码做了些修改，在此提供一些我的见解，不一定准确，仅供参考
matlab官方yolov3教程地址：https://ww2.mathworks.cn/help/deeplearning/ug/object-detection-using-yolo-v3-deep-learning.html?searchHighlight=Object%20Detection%20Using%20YOLO%20v3%20Deep%20Learning&s_tid=srchtitle
我先用的官方提供的教程做的训练，发现效果不是很好，而且官方提供的YOLOv3网络结构不是常规的yolov3网络结构，所以我之后又跟着cuixing大佬的代码做。以下部分见解会参考到matlab官方教程。

1.数据集中的边界框要是整数，且最好进行validateInputData检验（参考官方提供的教程，需要数据全为正整数，且边界框不超过图片边界）

2.如果有灰度图，则要转RGB，否则后面会报维度不匹配的错。我在preprocessTrainData.m中添加了如下代码：
if (ndims(I)==2) %如果I（输入图像为单通道）
I=cat(3,I,I,I);
end

3.cuixing大佬给的代码中的网络构建部分用的是yolov3tiny，所以想用YOLOv3网络结构的话就要参考YOLOv3tiny的代码做一些修改
anchorBoxes(:,[2,1]) = anchorBoxes(:,[1,2]);% anchorBoxes现在是宽高，与darknet官网保持一致
imageSize = lgModel.Layers(1).InputSize(1:2);
arc = 'default';
yoloModule1 = [convolution2dLayer(1,length(anchorBoxMasks{1})(5+numClasses),'Name','yoloconv1');
yolov3Layer('yolov3layer1',anchorBoxes(anchorBoxMasks{1},:),numClasses,1,imageSize,arc)];
yoloModule2 = [convolution2dLayer(1,length(anchorBoxMasks{2})(5+numClasses),'Name','yoloconv2');
yolov3Layer('yolov3layer2',anchorBoxes(anchorBoxMasks{2},:),numClasses,2,imageSize,arc)];
yoloModule3 = [convolution2dLayer(1,length(anchorBoxMasks{3})*(5+numClasses),'Name','yoloconv3');
yolov3Layer('yolov3layer3',anchorBoxes(anchorBoxMasks{3},:),numClasses,3,imageSize,arc)];
lgModel = removeLayers(lgModel,{'yolo_v3_id1','yolo_v3_id2','yolo_v3_id3'});
lgModel = replaceLayer(lgModel,'conv_83',yoloModule1);
lgModel = replaceLayer(lgModel,'conv_95',yoloModule2);
lgModel = replaceLayer(lgModel,'conv_107',yoloModule3);
analyzeNetwork(lgModel);
yoloLayerNumber = [200,226,252];% 注意！！！！！yolov3或者yolov4层在layers数组中的位置，看模型图得出！！！！！
model = dlnetwork(lgModel);

4..[gradients,loss,state] = dlfeval(@modelGradients, model, XTrain, YTrain,yoloLayerNumber)这一步报错，我找到了这个原因：
在function [gradients, totalLoss, state] = modelGradients(net, XTrain, YTrain,yoloLayerNumber)函数中，有这样几行代码：
for idx = 1:N
tcls(idx,tcls+1) = 1.0;% 确保类别标签是从0开始标注的索引，否则这里会超出维度
end_
这行会因为tcls_的维数可能和类别数不一致，导致后面的clsLoss = clsLoss + crossentropy(sigmoid(featuresCh(:,6:end)),tcls_, 'DataFormat', 'BC','TargetCategories','independent');出错。
我的修改办法是：
在这几行代码之前添加：
widthf=width(featuresCh(:,6:end));
for idx = 1:N
tcls(idx,1:widthf) = 0;
end_
以及将上面所说的代码修改为：
for idx = 1:N
tcls(idx,unique(tcls)+1) = 1.0;
end_
这种修改方式我不能确保一定是正确的，但是就我的情况来看，确实解决了报错的问题。

5.训练部分的代码是这样写的：
[gradients,loss,state] = dlfeval(@modelGradients, model, XTrain, YTrain,yoloLayerNumber);
% Apply L2 regularization.
gradients = dlupdate(@(g,w) g + l2Regularization*w, gradients, model.Learnables);
% Update the network learnable parameters using the SGDM optimizer.
[model, velocity] = sgdmupdate(model, gradients, velocity, learningRate);
参数learningRate是没有变化的，我参考matlab官网的代码做了如下修改，增加了学习率的变化：
[gradients,loss,state] = dlfeval(@modelGradients, model, XTrain, YTrain,yoloLayerNumber); % Apply L2 regularization.
gradients = dlupdate(@(g,w) g + l2Regularization*w, gradients, model.Learnables);
%2021.6.1修改 增加学习率变化
% Determine the current learning rate value.
currentLR = piecewiseLearningRateWithWarmup(allIteration, numEpoch, learningRate, warmupPeriod, nEpochs);
% Update the network learnable parameters using the SGDM optimizer.
**[model, velocity] = sgdmupdate(model, gradients, velocity, currentLR);**

暂时先写到这里，如果后面有补充再写吧。以上说明仅供参考。

[MikeMegamind]

补充说明：我的训练完成之后，效果很不理想，一幅图片拿去检测，上面密密麻麻全是检测框。我推测可能是发生过拟合了，也可能是我对程序做的修改不太对。关于过拟合，我不知道怎么在训练过程中增加验证集。可能没办法了

[yangchengjian-bit]

您好，我训练自己数据集的时候提示这个错误：

错误使用 dlfeval (第 44 行)
预测参数和目标值参数的大小必须匹配。

出错 train (第 120 行)
        [gradients,loss,state] = dlfeval(@modelGradients, model, XTrain, YTrain,yoloLayerNumber);

请问您知道如何修改吗，或者您手头还有源码方便发我一下吗，麻烦您了，或者您上传git我自行下载可以吗，这个问题我挺久了解决不了。。。谢谢您

[havefunheehee]

相同请求代码，谢谢您！