本文探讨了在Yolov3模型中，减小batch_size可能导致的过拟合及准确度降低问题，并提出通过调整learning_rate来改善模型效果。作者指出，减小batch_size可能导致局部最小值陷阱，而增大learning_rate可以作为补偿策略，以提高检测精度。同时，文章提醒读者注意Yolo模型的潜在问题，如正负样本不平衡，并建议研究不同版本的loss函数以获得更好的结果。
前言
我觉得我是真的和“YoloV3模型没有框”这个问题杠上了。
之前，我被这个问题卡了一个星期，后来虽然解决了，但总感觉这个解决方法看着不是很舒服。对于一个强迫症来说，你要我通过牺牲总体特征的检测效果来满足局部特征的检测，这个方法是有些无法接受的。具体我的解决方法是什么，大家可以参照我之前的两篇博客，我把博客链接写下来了，大家可以直接点击链接跳转过去看一下：
上次有同学私信我，他遇到的情况比计较离谱，他修改了模型的batch_size，其余代码均依照原作者，没有进行改动，loss值降到了21，但是效果还是不行，可行度非常低，而且还出现了分类错误的情况。这种情况下，不仅准确率不高，而且很可能会出现过拟合的现象。
我认为，说到底，我们需要解决的问题还是如何提高模型检测的准确度
最低0.47元/天 解锁文章
373
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
