Datawhale夏令营第五期——CV方向 TASK3

数据集增强相关方法

旋转（Rotation）： 随机旋转图像以改变其方向。
缩放（Scaling）： 改变图像的大小。
剪裁（Cropping）： 从图像中随机剪裁出一个区域。
翻转（Flipping）： 水平或垂直翻转图像。
裁剪（Clipping）： 裁剪掉图像边缘的某些部分。
颜色抖动（Color Jittering）： 随机调整图像的亮度、对比度和饱和度。
高斯噪声（Gaussian Noise）： 向图像中添加随机的高斯噪声。
锐化（Sharpening）： 增强图像的边缘和细节。
水平/垂直平移（Horizontal/Vertical Shifting）： 将图像在水平或垂直方向上随机平移。
随机裁剪（Random Cropping）： 从图像中随机裁剪出一个大小为输入尺寸的区域。
图像变换（Image Transformations）： 应用一系列图像变换，如透视变换、旋转变换等。
Hue Shift： 改变图像的颜色通道，例如调整色调。
Gamma Correction： 调整图像的对比度。
Blur： 应用模糊效果。
Pixelation： 降低图像的分辨率，使其看起来像素化。
Histogram Equalization： 对图像的直方图进行均衡化，以改善图像的对比度。
Alpha Blending： 在图像上应用透明度。
Zooming： 对图像进行放大或缩小。
Random Erasing： 随机擦除图像的一部分，以模拟现实世界中的遮挡。
Mixup： 将两个图像及其标签按一定比例混合。

yolo相关参数

1. imgsz: 训练时的目标图像尺寸，所有图像在此尺寸下缩放。
2. save_period: 保存模型检查点的频率（周期数），-1 表示禁用。
3. device: 用于训练的计算设备，可以是单个或多个 GPU，CPU 或苹果硅的 MPS。
4. optimizer: 训练中使用的优化器，如 SGD、Adam 等，或 ‘auto’ 以根据模型配置自动选择。
5. momentum: SGD 的动量因子或 Adam 优化器的 beta1。
6. weight_decay: L2 正则化项。
7. warmup_epochs: 学习率预热的周期数。
8. warmup_momentum: 预热阶段的初始动量。
9. warmup_bias_lr: 预热阶段偏置参数的学习率。
10. box: 边界框损失在损失函数中的权重。
11. cls: 分类损失在总损失函数中的权重。
12. dfl: 分布焦点损失的权重。

最终尝试了增加训练轮次以及更换yolo模型的版本。在2轮训练的情况下yolov8m的表现仅为0.16左右，在训练10轮的情况下仅为0.08左右，有一定过拟合的情况。在10轮训练的情况下yolov8n的表现为0.14左右。
总结：在仅改动模型以及调参的情况下，用赛题所给数据训练轮数越多越有过拟合的倾向，同时yolo中最小的模型效果普遍好于更大的模型。