如上圖，日志分為三部分
一、第一部分
第一行 ： 加載初始權重。
第二行 ：
- Learning Rate：目前學習率，小數點後大于4位數後，用科學計數法表示。
- Momentum：目前動量參數。
- Decay：目前權重衰減正則項。
第三行 ： Resizing，對輸入的圖檔進行标準化。
第四行 ： 不知道什麼意思，但每次開始都會變，如果你知道，非常感謝在評論留言。
cfg配置檔案裡的random=1時（打開随機多尺度訓練）的圖檔大小，這時圖檔的width=height，且在320到608之間随機取值，每10輪随機改變一次。（感謝 Jared� 在評論中的留言）
二、第二部分
1. 關于輸出的整體數量
所有訓練圖檔的一個批次（batch），批次大小根據在 .cfg 檔案中設定的subdivisions參數确定。
比如 .cfg 檔案中 batch = 12 ，subdivision = 4，輸出則會有4組，每組往網絡裡輸入3張圖檔。
可以看到，下面的截圖
Region 82
Region 94
Region 106
三個為一組，一共4組。
其中，Region 82，Region 94， Region 106 表示三個不同尺度（82，94，106）上預測到的不同大小的參數。（具體細節還沒了解，等了解了再補）
2. 各參數說明
| 參數 | 說明 |
|---|---|
| Loaded | 加載這一批次所用的時間。 |
| Avg IOU | 目前 subdivision 内，樣本的平均IOU，期望該值趨近于1。 |
| Class | 标注物體分類的正确率，期望該值趨近于1。 |
| Obj | 期望該值趨近于1。 |
| No Obj | 期望該值越來越小但不為零。 |
| .5R | = recall / count，目前模型在所有 subdivision 樣本中檢測出的正樣本與實際正樣本的比值。期望該值趨近1。 |
| .75R | - |
| count | 所有目前 subdivision 圖檔中包含正樣本标簽數量。 (有說是包含正樣本圖檔數量，但有時會大于圖檔數量，由此認為是标簽的數量，如有錯誤，歡迎留言) |
三、第三部分
批輸出：對這一批次的訓練結果的說明。
| 參數 | 說明 |
|---|---|
| 22201 | 目前訓練的疊代次數。 |
| 0.907749 | 總體損失（loss）值。 |
| 0.907749 avg | 平均損失值，越小越好，一般來說，低于 0.060730 avg 就可以終止訓練了。 （這個數字來自網絡，如果您知道原因，請留言） |
| 0.000001 rate | 目前學習率。 |
| 5.067780 seconds | 目前批次訓練花費的總時間。 |
| 1776080 images | 參與訓練的圖檔總量次。 （不是圖檔的總張數，有的圖檔參加了好幾次訓練。） |