在task03中,我主要参考教程和学习群里分享的笔记对 baseline 做了如下优化:
results = model.train(data="yolo-dataset/yolo.yaml", epochs=5, imgsz=1080, batch=16, optimizer='auto')
增大 epoch,设置 optimizer=‘auto’ 自动调整学习率
- 尝试进行数据增强
尝试调用 Albumentations 进行增强,但是发现之后训练集处理时速度很慢,暂时未能实现
训练结果(YOLOV8s)如图:
可见:
- 模型在训练集上的表现良好,损失持续降低,表明模型正在学习特征并进行有效的优化。
- 在验证集上的表现虽然也有改进,但存在较大的波动性,可能需要进一步调优以减少过拟合的风险。
- 精度和召回率的稳定性尚可,但仍有提高的空间,特别是在平衡两者之间时。
- mAP指标的波动提示我们可能在某个阶段出现了过拟合的情况
总的来说,模型的训练结果是积极的,但仍有一些改进的空间以达到更好的性能和泛化能力。
在提交的分数中,YOLOv8n(0.1668066253214355)的评分是稍大于YOLOV8s(0.1398309227492016)的,或许是出现了过拟合的情况,需要对训练数据集进行增加和增强。