Yolov4模型訓練技巧總結
Training Yolo v4 (and v3):
AlexeyAB官方github介紹:
訓練對應的yolov4.cfg，cfg/yolov4-custom.cfg，cfg/yolov4-tiny.cfg，需下載對應的yolov4.conv.137，yolov4-tiny.conv.29 預訓練模型
How to improve object detection:
1、修改cfg文件中設置 random=1 ，多尺度訓練
2、提高網絡分辨率，修改cfg文件中的尺寸(height=608,width=608 或者 任何32的倍數)，這將會提高精度。
3、檢查要檢測的每個目標在數據集中是否都被強制標記 - 數據集中的所有目標都應該有標籤。大部分訓練的問題是數據集中有錯誤標籤
4、我的loss很高，map很低，訓練錯了嗎?
在訓練命令結尾加上 -show_imgs，訓練是否能看到正確的目標標註框，如果不能——你的訓練數據是錯誤的
5、保證樣本的多樣性。對於您想要檢測的每個對象 - 在訓練數據集中必須有至少1個相似且大致相同的對象:形狀、對象的側面、相對大小、旋轉角度、傾斜、光照。理想情況下，數據集應包括在以下方面各不相同的對象：縮放，旋轉，照明，從不同的側面，在不同的背景上。
6、希望您的訓練數據集包括您不想檢測的 未標記的對象的圖像
7、標記物體最好的方法是什麼：只標記物體可見的部分，還是標記物體可見和重疊的部分，還是標記比整個物體稍多一點(有一點間隙)？按你喜歡的方式標記-你希望它如何被檢測到，就如何標記
8、對於訓練的每張圖片中有大量的目標，在.cfg文件最後的yolo層或region層加上max = 200或更高的值，YoloV3可以檢測到的全局最大對象數爲0.0615234375* (寬度 * 高度)，其中寬度和高度是cfg-file中[net]部分的參數
9、yolov4.cfg文件 對於小目標的訓練(小目標是指：在圖像被調整到416x416後小於16x16的目標)
-
設置 layers = 23 而不是 layers = 54 ：https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L895
-
設置 stride = 4 而不是 https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L892
-
設置 stride = 4 而不是 https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L989
10、for training for both small and large objects use modified models:
- Full-model: 5 yolo layers https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3_5l.cfg
- Tiny-model: 3 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-tiny_3l.cfg
- YOLOv4: 3 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4-custom.cfg
11、如果您訓練模型將左右對象區分爲單獨的類（比如，在路牌上左轉/右轉，左轉/右轉）需要禁用翻轉數據增強：https://github.com/AlexeyAB/darknet/blob/3d2d0a7c98dbc8923d9ff705b81ff4f7940ea6ff/cfg/yolov3.cfg#L17
12、一般規則-你的訓練數據集應該包括這樣一組相對大小的對象，你想檢測:
13、每一個:對象的模型，側面，力，比例，每30度的轉彎和傾角-這些是不同的對象從內部的神經網絡的視角。因此，要檢測的不同對象越多，就應該使用越複雜的網絡模型。
14、爲了使檢測框更加準確，可以在每個[yolo]層中添加3個參數ignore_thresh = .9 iou_normalizer=0.5 iou_loss=giou，它將增加[email protected]，但減少[email protected]。
爲了加速訓練(降低檢測精度)，在cfg文件中設置第136層的param stopbackward=1
15、除非你是神經檢測網絡的專家 - 否則需要根據數據集的寬度和高度重新計算anchers從cfg-file:
./darknet detector calc_anchors data/voc.data -num_of_clusters 6 -width 608 -height 608
16、通過在你的。cfg文件中設置(高度=608，寬度=608)或(高度=832，寬度=832)或(32的任意倍數)來增加網絡分辨率——這增加了精度並使它能夠增強小目標檢測