我想知道为什么图像的数量对训练时的迭代次数没有影响。下面是一个例子，让我的问题更清楚：假设我们有6400张图像用于识别4个类的训练。根据AlexeyAB的解释，我们保持批次=64，细分=16，并写入最大批次=8000，因为最大批次由#classes x 2000决定。
由于我们有6400个图像，一个完整的历元需要100次迭代。因此，这项训练在80个时期后结束。现在，假设我们有12800个图像。在这种情况下，一个epoch需要200次迭代。因此，训练在40个时期后结束。由于历元是指整个训练数据集的一个周期，我想知道为什么当数据集增加时，我们不增加迭代次数，以保持历元的数量不变。
换言之，我想简单解释一下为什么划时代的数量似乎与训练质量无关。我觉得这是Yolo建造的结果，但我的知识还不够渊博，无法理解如何建造。
为什么训练时图像的数量对迭代次数没有影响？
- 在darknet yolo中，迭代次数取决于
.cfg文件中的max_batches参数。运行max_batches后，暗网保存final_weights
在每个历元中，所有数据样本都通过网络，因此如果您有许多图像，则一个历元(和迭代(的训练时间会更高，您可以通过增加数据中的图像来测试这一点。
细分说明了小批量的数量。假设您的数据集中有100个图像。您的批量大小为10，细分为2，最大批量为20。
因此，在每次迭代中，10个图像分两个小批量(每个小批量有5个样本(传递到网络，一旦你完成了20个学士学位(20*10个数据样本(，训练就会完成。(细节可能有点不同，我使用的是原作者pjreddie稍微修改过的暗网(
说明现在已更新。max_batches等于classes*2000，但不小于训练图像的数量且不小于6000。请在此链接中找到它。