📚 课程目录第4章 YOLO配置文件解析

4. YOLO 配置文件解析：.cfg 文件结构、网络层参数与锚点框机制

配置文件，说白了就是 YOLO 的「骨架说明书」。我刚开始接触 YOLO 时，总觉得调代码比调 cfg 重要。后来有一次模型怎么都收敛不了，折腾了两天，最后发现是 cfg 里一个卷积层的步长写错了。嗯，从那以后我再也不敢小看这个文件了。

今天我们就把它彻底拆开看看。

4.1 .cfg 文件整体结构

一个标准的 YOLO .cfg 文件，其实就是一个纯文本的层描述列表。每一段以 [xxx] 开头，后面跟着该层的参数键值对。YOLO 的 Darknet 框架会按顺序逐层解析，构建出完整的计算图。

我个人习惯把 cfg 文件分成三大块：

网络头：定义输入尺寸、训练参数等全局信息
特征提取器：一堆卷积、残差、下采样层，负责把图片变成特征图
检测头：YOLO 层 + 上采样 + 路由层，负责输出检测结果

来看一个典型的 cfg 开头：

[net]
batch=64
subdivisions=16
width=416
height=416
channels=3
momentum=0.9
decay=0.0005
learning_rate=0.001
burn_in=1000
max_batches=500200
policy=steps
steps=400000,450000
scales=.1,.1

这里有个坑，我曾经踩过——subdivisions 这个参数。它把 batch 拆成小份，每份喂给 GPU。如果你的显存不够，调大 subdivisions 就行。但注意，它会影响 BN 层的统计效果，调太大模型会变「毛」。

4.2 核心网络层参数详解

卷积层（Convolutional）

卷积层是 YOLO 的主力。每个卷积层都长这样：

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

几个关键参数：

参数	含义	我的经验
`filters`	输出通道数	一般 8 的倍数，方便内存对齐
`size`	卷积核大小	3x3 最常用，1x1 用来降维
`stride`	步长	stride=2 时特征图尺寸减半
`pad`	是否填充	pad=1 且 size=3 时，输出尺寸不变
`batch_normalize`	是否接 BN 层	YOLOv3 之后几乎必开

小技巧： 如果你要自己改网络，记住一个公式：输出尺寸 = (输入尺寸 + 2×pad - size) / stride + 1。pad=1, size=3, stride=1 时，输出尺寸 = 输入尺寸。这个组合最常用。

上采样层（Upsample）

上采样层的作用很简单——把特征图放大。YOLO 用它来做多尺度融合。

[upsample]
stride=2

就这么两行。stride=2 表示把特征图宽高各放大 2 倍。实现方式默认是最近邻插值，速度快，但会有锯齿。我在项目中试过换成双线性插值，精度提升微乎其微，速度却慢了 10%，所以还是用默认吧。

YOLO 层（检测层）

这是整个 cfg 的核心。它定义了模型「怎么检测」：

[yolo]
mask = 0,1,2
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=80
num=9
jitter=.3
ignore_thresh=.7
truth_thresh=1
random=1

参数解读：

classes：检测类别数，COCO 是 80，VOC 是 20
num：每个网格预测的锚点框总数，一般是 9
mask：当前 YOLO 层使用的锚点框索引，后面细讲
anchors：所有锚点框的宽高，共 9 组
ignore_thresh：忽略阈值，低于此值的负样本不参与 loss 计算
jitter：数据增强时，随机裁剪的抖动幅度

注意： ignore_thresh 这个值很敏感。设太大（如 0.7），很多模糊样本会被忽略，模型学不到边界情况；设太小（如 0.3），负样本太多，模型容易「摆烂」。我一般从 0.5 开始调。

4.3 锚点框（Anchor Boxes）计算

锚点框是什么？说白了就是一组预设的「框模板」。YOLO 不直接预测框的宽高，而是预测相对于这些模板的偏移量。

锚点框怎么来的？用 K-Means 聚类。我在项目中写过这个脚本，核心逻辑是这样的：

# 伪代码：K-Means 聚类锚点框
def kmeans_anchors(boxes, k=9):
    # boxes: 所有标注框的宽高 (N, 2)
    # 距离度量用 IoU，不用欧氏距离
    # 因为大框的欧氏距离天然大，聚类会偏向大框
    anchors = random_choose(boxes, k)
    for _ in range(max_iter):
        # 计算每个 box 到每个 anchor 的 IoU 距离
        distances = 1 - iou(boxes, anchors)
        # 分配每个 box 到最近的 anchor
        labels = argmin(distances, axis=1)
        # 更新 anchor 为同类 box 的中位数
        for i in range(k):
            anchors[i] = median(boxes[labels == i])
    return anchors

聚类出来的锚点框，YOLOv3 用的是 9 组：

索引	宽	高	适用目标
0	10	13	极小目标（如小动物）
1	16	30	小目标
2	33	23	小目标（方形）
3	30	61	中等目标
4	62	45	中等目标（宽）
5	59	119	中等目标（高）
6	116	90	大目标
7	156	198	大目标（高）
8	373	326	极大目标

你想想看，为什么是 9 组？因为 YOLOv3 有 3 个检测尺度，每个尺度分配 3 组锚点框。小尺度特征图（13x13）负责大目标，用大锚点框；大尺度特征图（52x52）负责小目标，用小锚点框。

4.4 Mask 机制

Mask 机制，说白了就是「分家」。每个 YOLO 层只负责 3 组锚点框，mask 告诉它用哪 3 组。

看这个配置：

# 第一个 YOLO 层（大目标，13x13 特征图）
[yolo]
mask = 6,7,8
anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326

# 第二个 YOLO 层（中等目标，26x26 特征图）
[yolo]
mask = 3,4,5

# 第三个 YOLO 层（小目标，52x52 特征图）
[yolo]
mask = 0,1,2

为什么这么分？我画个图你就明白了。

Mask 机制的好处很明显——每个 YOLO 层只关注自己「擅长」的目标尺寸。大特征图上的锚点框大，小特征图上的锚点框小，各司其职。

  核心理解： 锚点框不是模型学出来的，而是从数据里聚类出来的。Mask 是分配策略，告诉每个检测层「你管哪几个框」。这两个机制配合，YOLO 才能做到「一个网络检测所有尺度的目标」。

4.5 实战：如何修改 cfg 适配自己的数据集

假设你要用自己的数据集训练 YOLO，需要改 cfg 里的几个地方：

修改 classes：把 classes=80 改成你的类别数，比如 classes=5
修改 filters：YOLO 层前面的卷积层，filters 必须等于 (classes + 5) × 3。5 是 x, y, w, h, confidence 这 5 个值。比如 5 类目标，filters = (5+5)×3 = 30
重新聚类锚点框：用你的数据集跑一遍 K-Means，把新的锚点框写进 cfg
调整 max_batches：一般设为 类别数 × 2000，但最少不低于 6000

我曾经帮一个做工业质检的朋友调 cfg，他检测的是电路板上的微小焊点。默认的锚点框太大，小焊点根本检测不到。重新聚类后，锚点框集中在 (5,5) 到 (20,20) 之间，mAP 直接从 0.3 飙到 0.85。所以说，锚点框一定要跟你的数据匹配。

常见错误： 改了 classes 忘了改 filters。YOLO 层前面的卷积层 filters 不对，模型直接报错。我见过有人 debug 了一整天，最后发现是 filters 少算了 3。记住公式：filters = (classes + 5) × 3。

好了，cfg 文件的核心内容就这些。你只要掌握了网络层参数、锚点框计算和 Mask 机制，就能看懂任何 YOLO 版本的配置文件。下次遇到模型效果不好，别急着调代码，先打开 cfg 看看——问题可能就藏在这里。