深度学习实验八：对自有图片数据集进行预测标注并可视化预测结果

一、实验目的

1.整理并上传“实验六”自有数据集到“AI识虫比赛”
2.调试并运行YOLOv3模型对自有数据进行目标检测

二、实验环境

python 3.7、PaddlePaddle 2.3.2、GPU A100 40GB

三、实验内容

1.上传自有数据集“poultry”

本数据集提供了100张图片，其中训练集77张，验证集11，测试集12张。包含三种家禽，分别是chicken、duck和goose。包含了图片（.png）和标注（.xml）。

（数据集具体目录结构已在实验六https://blog.csdn.net/Moonee_/article/details/134252184中体现，此处不再赘述。）


解压数据集：

2.启动训练

运行train.py文件：

3.启动评估

4.计算精度指标

5.预测单张图片并可视化预测结果

四、实验小结

关于训练技巧的总结：
①微调预训练参数
在大型数据集上充分训练过的卷积具有更好的特征提取能力，所以利用预训练迁移可以大大减小训练的时间，使损失下降得更快，同时还能更容易找到最优空间。
②学习率调整策略
学习率的变化决定了网络的优化时间和优化方向，初期网络搜索空间较大，如果学习率过大会导致损失发散，无法收敛到好的极值点。
③标签平滑
标签平滑其实是一种正则化策略，降低网络对标签置信度的依赖，这对有漏标、错标数据具有很好地适应性。
④逐层精调，减少网络搜索空间
网络搜索空间越大，训练时间越久，优化难度越高。因此，通过预训练微调，然后再通过冻结网络层进行精调，可以减小网络的搜索空间，从而降低优化的难度。
⑤数据增广的配合
⑥减小动量
⑦不要忘记验证集

参考内容： https://blog.csdn.net/LittleKlein/article/details/104578627 飞桨AI
Studio - 人工智能学习与实训社区 (baidu.com)