Datawhale AI 训练营--YOLO模型上分体验

说实话，自己的代码能力真的不强，但是也在一点点尝试中：

1.扩大训练集，由于之前的数据的训练集所用的视频太少，所以首先将训练集扩大到了30个，效果也很明显，正确率从之前的0.004提升到了0.11

2.切换不同的预训练权重：

我们知道yolo8也有非常多的版本，不同的版本针对不同的训练任务结果也不近相同；

我尝试将预训练模型改为YOLOv8s，但是模型整体的训练速度变慢了很多，为了加快速度，在助教的帮助下，我将原本的batchsize由16改为8，速度果然变快了不少；但是模型预测的结果并没有什么提高

3.数据集增强：是机器学习和深度学习中常用的技术，用于通过从现有数据集中生成新的训练样本来提高模型的泛化能力。常见的增强技术包括翻转、旋转、缩放和颜色调整。多个库，例如 Albumentations、Imgaug 和 TensorFlow的 ImageDataGenerator，可以生成这些增强。

具体的参数放在下面了，大家可以详细看一下

之前就了解过数据增强，但是具体的调参方法和参数，还是不太了解，所以在刚开始尝试中，不知道有没有和我一样，真的不太清楚应该在哪个地方调参，尝试了很多种方法以后，还是出现错误。

比如，定义超参数，但是最后显示hyp这个参数错误；

想尝试直接在yolo.yaml配置文件中添加，依然是错误……

准备明天再好好研究一下啦，还是怪自己的代码基础太差，虽然之前很认真的分析了所有的代码，但是到了调参的时候，还是很懵

4.调整模型训练的参数：（详细参数见官方文档，上链接）

https://docs.ultralytics.com/usage/cfg/#train-settings

YOLO 模型的训练设置包括多种超参数和配置，这些设置会影响模型的性能、速度和准确性。因此通过微调预先训练的模型并调整其参数，便是很可能以提高特定任务或数据集的性能。该过程也称为模型再训练。

重要的参数设置如下：

5.设置YOLO模型预测行为和性能（不过，我还没有真正的尝试过，因为运行中出现的问题太多了，先总结再这里。）以下的这几个参数使我觉得应该比较有用的！