此工具来源于B站搬砖王 发布，一哥只是觉得挺好用就分享给玩YOLO的朋友们，
视频中所用软件工具和模块均为原创，非破解软件。此视频演示了易语言无需任何环境，任何电脑直接加载模块（26M），即可实现GPU调用的方式。演示电脑CPU为I5-12400F，GPU为GTX3060。yolo综合工具为作者原创，免费分享给大家，
———————–训练说明———————–
batch:显存越小调越小 2.4.8.16.32.64 显存不够可减小，但会出现Nan问题（解决办法：增大batch)。
subdivisions:显存越小调越大 2.4.8.16.32.64 训练迭代包含16组，每组4张图片。
filters:3*(类别数量+5)—-自动对齐设置软件训练无需填改。
classes:类别数量—-自动对齐设置软件训练无需填改。
random:如果显存很小，将random设置为0，关闭多尺度训练。
参数说明:
-----------------------yolov3cfg解释说明-----------------------
[net] ★ [xxx]开始的行表示网络的一层，其后的内容为该层的参数配置，[net]为特殊的层，配置整个网络。
# Testing
# batch=1
# subdivisions=1
# Training ★ #号开头的行为注释行，在解析cfg的文件时会忽略该行。
batch=64 ★ 这儿batch与机器学习中的batch有少许差别，仅表示网络积累多少个样本后进行一次BP。
subdivisions=16 ★ 这个参数表示将一个batch的图片分sub次完成网络的前向传播。
#batch和subdivision ★ 在训练输出中，训练迭代包括8组，这些batch样本又被平均分成subdivision=8次送入网络参与训练，
以减轻内存占用的压力；batch越大，训练效果越好，subdivision越大，占用内存压力越小。
width=416 ★ 网络输入的宽width，一定要为32的倍数，否则不能加载网络，该值越大，识别效果越好。
height=416 ★ 网络输入的高height，一定要为32的倍数，否则不能加载网络，该值越大，识别效果越好。
channels=3 ★ 网络输入的通道数channels。
momentum=0.9 ★ 动量 DeepLearning1中最优化方法中的动量参数，这个值影响着梯度下降到最优值得速度。
decay=0.0005 ★ 权重衰减正则项，防止过拟合。
angle=0 ★ 数据增强参数，通过旋转角度来生成更多训练样本。
saturation = 1.5 ★ 数据增强参数，通过调整饱和度来生成更多训练样本。
exposure = 1.5 ★ 数据增强参数，通过调整曝光量来生成更多训练样本。
hue=.1 ★ 数据增强参数，通过调整色调来生成更多训练样本。
learning_rate=0.001 ★ 学习率决定着权值更新的速度，设置得太大会使结果超过最优值，太小会使下降速度过慢。
burn_in=1000 ★ 在迭代次数小于burn_in时，其学习率的更新有一种方式，大于burn_in时，才采用policy的更新方式。
max_batches = 500200 ★ 训练次数达到max_batches后停止学习，一次为跑完一个batch。
policy=steps ★ 学习率调整的策略：constant, steps, exp, poly, step, sig, RANDOM，constant等方式。
scales=.1,.1 ★ steps和scale是设置学习率的变化，比如迭代到400000次时，学习率衰减十倍，45000次迭代时，学习
率又会在前一个学习率的基础上衰减十倍。
[convolutional] ★ 一层卷积层的配置说明。
batch_normalize=1 ★ 是否进行BN处理，什么是BN此处不赘述，1为是，0为不是。
filters=32 ★ 卷积核个数，也是输出通道数。
size=3 ★ 卷积核尺寸。
stride=1 ★ 卷积步长。
pad=1 ★ 卷积时是否进行0 padding,padding的个数与卷积核尺寸有关，为size/2向下取整，如3/2=1。
activation=leaky ★ 网络层激活函数。
# Downsample
[convolutional] ★ 下采样层的配置说明。
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky ★ 卷积核尺寸为3*3，配合padding且步长为2时，feature map变为原来的一半大小。
[shortcut] ★ shotcut层配置说明。
from=-3 ★ 与前面的多少次进行融合，-3表示前面第三层。
activation=linear ★ 层次激活函数。
[convolutional] ★ YOLO层前面一层卷积层配置说明。
size=1
pad=1
filters=255 ★ filters=num(预测框个数)*(classes+5)，5的意义是4个坐标加一个置信率，论文中的tx,ty,tw,th,c，classes为
类别数，COCO为80,num表示YOLO中每个cell预测的框的个数。
yolov3和yoloV4工具包易语言面cuda环境调用包无需繁琐的搭建环境直接使用
