训练yolo V4模型调优的十个建议

1、获取更多的数据

改进目标检测模型的最佳方法是收集更有代表性的数据，YOLO v4也不例外。
特斯拉人工智能高级总监安德烈•卡帕西在解释特斯拉如何让汽车停下来时表示：数据集是活的，标签一直在变化。你需要一直管理和更改数据集。

2、数据增广

收集和标记更多的数据需要代价。可以通过数据增广来扩展训练集。
YOLO v4的训练过程会自动进行数据增广(文章)。

3、输入分辨率

输入分辨率决定了将被传递到模型中学习和预测的像素数。
高分辨率可以提高准确性，帮助检测小物体，但代价是时间慢。YOLO的输入分辨率必须为32的倍数。默认是416x416。在cfg文件夹中更改宽度和高度。

4、使用预训练pretrained模型

一般，我们在预训练模型上进行微调。（yolo v4预训练模型）
预训练模型是在COCO数据集上进行了预先训练，该数据集包括人、自行车和汽车这样的常见对象。一般来说，如果你的训练任务中的目标和COCO数据集相似，从预训练模型微调是一个好主意。

darknet.exe detector train data/your.data cfg/your.cfg yolov4.conv.137

然而，如果你的训练任务中的目标和COCO数据集大相径庭，不如从头开始训练。

darknet.exe detector train data/your.data cfg/your.cfg

可以两者都试一试，比较哪个模型更好。

5、选择合适的模型尺寸和架构

如果你更关心推理速度，那么选择较小的模型YOLOv4-tiny。
查看cfg文件夹，并尝试更改网络架构和层，配置网络结构。
如果如果你的训练任务中的目标形状与COCO数据集差别很大，那么需要考虑实现自定义锚框，在cfg文件夹中更改anchors。

6、继续之前的训练

类似于使用预训练模型，您可以从继续之前的训练，或将从其他数据集学到的模型学习应用到新的数据集。

darknet.exe detector train data/your.data cfg/your.cfg your.weights

7、选择最好的模型

Darknet模型权重保存在backup文件夹中，基于验证集自动为你保存最好的模型_best.weights。
同时也会保存你训练时的最后权重_last.weights。

8、模型评估

在数据集和模型结构进行各种调整时，对结果进行跟踪是很有用的，这样您就可以看到怎么样组合对你的数据集最有效。
Darknet可以计算模型的mAP，这是一个主要指标。
另一个指标是推理的速度。

9、导出模型

Darknet的模型格式为*.weights。
可以通过一些方法将其转成其他框架比如TensorFlow支持的格式。

10、优化推理速度

减少模型推理时间的主要方法是使用更小的模型，如YOLOv4-tiny。
也可以通过提高硬件配置来实现，比如GPU或在Intel VPU上使用OpenVino进行推理。对于GPU，建议使用YOLOv4 TensorRT框架进行部署。