说明
本文主要介绍用yolo2训练自己的数据集时要修改的配置文件。（自己也在摸索中，以后会慢慢修改）
环境
- ubuntu 16.04
- cuda 8.0
- OpenCV 3.2
- darknet(17年7月)
ps:安装darknet的时候，并没有带着opencv编译，编译出来opencv有6个多g，编译需要快1小时。带opencv编译，训练的时候可能会出莫名的错误，不知道修复没有。没带opencv编译的话，只是不会自动展示图片，并没有很大的影响。
需要修改的配置及其作用
cfg/voc.data
classes= 1 //修改为自己要训练的类别
train = /home/darknet/scripts/train.txt //train.txt中存放要训练的图像名
valid = /home/darknet/scripts/2007_test.txt //训练的时候用不着，这应该是用来测试的
names = /home/darknet/data/voc.names //voc.names存储的是各类的名字，默认有20类,可以修改为自己的类名
backup = /home/darknet/backup //训练完成后模型存储的地点
cfg/yolo-voc.2.0.cfg
yolo-voc.2.0.cfg是我使用的网络，也可以使用别的例如tiny-yolo-voc.cfg等。
开头的batch表示一次读取的图片数？默认为64，占用的显存比较多，我的1050不够用，可以修改为8或者16。
大约15行有max_batches，表示最大的训练次数，可以根据需要修改。一般来说每100次就会在backup文件夹中存储一个.weights文件。
在最后的[region]层中，classes修改为自己要训练的类别数，我修改为1。
在[region]上一层的[convolutional]中修改filters，计算方法为(classes+ coords+ 1)* (num) ，该num即为[region]层中的num数。我的情况：(1+4+1)* 5=30，即我的filters 的值改成了30。
修改filters的建议来源自网上，我修改了之后一切正常。
examples/yolo.c
开头的train_yolo函数中，修改
train_images=”/home/darknet/scripts/train.txt” ——即你自己存放的train.txt所在目录
backup_directory = “/home/darknet/backup”——训练完成存放模型的目录
examples/detector.c
开头的train_yolo函数中，修改
train_images=”/home/darknet/scripts/train.txt” ——即你自己存放的train.txt所在目录
最后的classes修改为自己的值。
利用yolo2训练自己数据集的配置就完成了。