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!