yolo---训练时，命令行中加入-map 和 -dont

yolo---训练时，命令行中加入-map 和 -dont_show

AlexeyAB（darknet yolov3）训练自己的数据时，在命令行中加入-map 和 -dont_show。
-map 是为了把loss曲线和测试的准确率打印出来；
-dont_show 是在训练中图像显示给隐藏了；

@https://blog.csdn.net/qq_43487391/article/details/102933080

@https://github.com/AlexeyAB/darknet#how-to-use

@https://github.com/muyiguangda/darknet

@https://github.com/Zzh-tju/DIoU-darknet

@https://blog.csdn.net/qq_33270279/article/details/103482085

@www.freesion.com/article/1819217386/

IoU，GIoU，DIoU和CIoU三种目标检测loss
IoU：使用最广泛的检测框loss。
GIoU：2019年CVPR    Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
DIoU和CIoU：2020年AAAI  Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

下面我们直接一句话总结一下这四种算法的优缺点：
1. IoU算法是使用最广泛的算法，大部分的检测算法都是使用的这个算法。
2. GIoU考虑到，当检测框和真实框没有出现重叠的时候IoU的loss都是一样的，
   因此GIoU就加入了C检测框（C检测框是包含了检测框和真实框的最小矩形框），这样就可以解决检测框和真实框没有重叠的问题。
   但是当检测框和真实框之间出现包含的现象的时候GIoU就和IoU loss是同样的效果了。
3. DIoU考虑到GIoU的缺点，也是增加了C检测框，将真实框和预测框都包含了进来，
   但是DIoU计算的不是框之间的交并，而是计算的每个检测框之间的欧氏距离，这样就可以解决GIoU包含出现的问题。
4. CIoU就是在DIoU的基础上增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。


@https://blog.csdn.net/donkey_1993/article/details/104006474

IOU：IOU损失考虑检测框和目标框重叠面积。

GIOU：GIOU损失在IOU的基础上，解决边界框不重合时的问题。

DIOU：DIOU损失在IOU的基础上，考虑边界框中心距离的信息。

CIOU：CIOU损失在DIOU的基础上，考虑边界框宽高比的尺度信息。

@ www.freesion.com/article/1819217386/