Update train.py

train.py

@@ -30,12 +30,17 @@ if __name__ == "__main__":
     #---------------------------------------------------------------------#
     anchors_path    = 'model_data/yolo_anchors.txt'
     anchors_mask    = [[6, 7, 8], [3, 4, 5], [0, 1, 2]]
-    #------------------------------------------------------------------------------------------------------#
-    #   权值文件请看README，百度网盘下载。数据的预训练权重对不同数据集是通用的，因为特征是通用的
+    #----------------------------------------------------------------------------------------------------------------------------#
+    #   权值文件请看README，百度网盘下载。数据的预训练权重对不同数据集是通用的，因为特征是通用的。
     #   预训练权重对于99%的情况都必须要用，不用的话权值太过随机，特征提取效果不明显，网络训练的结果也不会好。
-    #   训练自己的数据集时提示维度不匹配正常，预测的东西都不一样了自然维度不匹配
+    #
     #   如果想要断点续练就将model_path设置成logs文件夹下已经训练的权值文件。 
-    #------------------------------------------------------------------------------------------------------#
+    #   当model_path = ''的时候不加载整个模型的权值。
+    #
+    #   此处使用的是整个模型的权重，因此是在train.py进行加载的。
+    #   如果想要让模型从0开始训练，则设置model_path = ''，下面的Freeze_Train = Fasle，此时从0开始训练，且没有冻结主干的过程。
+    #   一般来讲，从0开始训练效果会很差，因为权值太过随机，特征提取效果不明显。
+    #----------------------------------------------------------------------------------------------------------------------------#
     model_path      = 'model_data/yolo4_weights.pth'
     #------------------------------------------------------#
     #   输入的shape大小，一定要是32的倍数
@@ -211,4 +216,4 @@ if __name__ == "__main__":
         for epoch in range(start_epoch, end_epoch):
             fit_one_epoch(model_train, model, yolo_loss, loss_history, optimizer, epoch, 
                     epoch_step, epoch_step_val, gen, gen_val, end_epoch, Cuda)
-            lr_scheduler.step()
\ No newline at end of file
+            lr_scheduler.step()