【YOLO系列调优方法（个人随笔持续更新）】

@Auto: lyyyyy_16
@Date: 06/25/2024 17:05
@Version: 1.0
本文仅做作者个人学习记录和总结所用，不作为任何价值发行。

当下个人总结：

最根本的调优方式是数据集的质量筛选，拥有一组好的数据集，我们的模型学习的更深刻识别效果也更优；其次呢，是一些适当的训练参数，epchos、batch_size等参数；

一、调优方向总结

提高模型的识别效果，大致可以从以下几点出发：

1. 更多的数据：

   • 收集更多的训练数据，尤其是覆盖各种场景和条件的数据，以提高模型的泛化能力。

2. 数据清理：

   • 清理和预处理数据，确保数据质量，去除异常或错误标注的样本。

3. 调整输入数据：

   • 调整输入图像的尺寸、亮度、对比度等，以确保模型能够适应不同的图像条件。

4. 调整网络架构：

   • 尝试更深或更宽的网络架构，或者使用先进的模型版本，以提高模型的表达能力。

5. 迁移学习：

   • 使用在大规模数据集上预训练的模型进行迁移学习，可以加速收敛并提高性能。

6. 集成学习：

   • 考虑使用集成学习方法，将多个模型的预测进行组合，以提高整体的准确性。

7. 调整损失函数：

   • 根据任务需求选择适当的损失函数，或者调整损失函数的权重，以更好地优化模型。

8. 超参数调整：

   • 仔细调整超参数，包括学习率、批量大小等，以获得更好的训练效果。

9. 模型解释和调试：

   • 使用工具和技术进行模型解释和调试，了解模型在不同样本上的表现，并根据需要进行调整。

10. 定期评估和更新：

    • 定期评估模型性能，监控模型在实际环境中的表现，并及时更新模型以适应新的数据和场景。

记住，优化模型是一个迭代的过程，需要不断尝试和调整。根据具体任务和数据情况，选择适合的方法来提高模型的识别效果。

二、调优方式：

数据集

质量、数量、类别平均

训练参数

预训练模型的选择 s、m、l、x等

数据增强

aibumentations

loss回归方式

Giou Ciou Diou Eiou VFloss等

超参数

hyp

合适的特征学习方式

Baceone

优化器

1. SGD

随机梯度下降是最简单的优化器，它采用了简单的梯度下降法，只更新每一步的梯度，但是它的收敛速度会受到学习率的影响。
优点： 简单性，在优化算法中没有太多的参数需要调整，通过少量的计算量就可以获得比较好的结果。
缺点： 在某些极端情况下容易受到局部最小值的影响，也容易出现收敛的问题。

2. SGDR

SGDR指的是Stochastic Gradient Descent with Warm Restarts（带有热重启的随机梯度下降）。它是一种优化器调度策略，旨在帮助模型在训练过程中更好地收敛，避免陷入局部最优解。
优点：

因为使用了学习率衰减和周期性重启技术，从而在训练结束前使模型更加充分地探索数据的不同部分， 改善了训练的泛化性能。
SGDR具有周期性重启的机制，因此有可能使优化过程跳出局部最优解。
GDR使用周期性重启技术，可以使模型更快地收敛，从而缩短训练时间。
缺点：

SGDR的性能取决于学习率的初始值、最小值、重启周期等超参数的选择，需要仔细地调整这些超参数才能取得最佳效果。
SGDR的性能优化取决于数据分布和模型的复杂度等因素，对于某些问题可能无法带来显著的性能提升。

3. Adam

Adam是改进的SGD，它加入了更新的动量和自适应的学习率，可以帮助更快地收敛。
优点：

它融合了Momentum优化方法和RMSProp优化方法，可以帮助优化算法提高精度。
它还可以自动调整学习率，因此不需要太多参数调整。
缺点： 它需要消耗更多的内存，而且可能会出现收敛问题。

4. AdamW

AdamW是Adam的变体，用来处理大型数据集，它以一定的比率来缩减模型参数的梯度，从而减少计算量，提高训练速度。
优点：

它可以自动调整学习率，而不需要太多参数调整，降低了冗余性。
它也可以自动调整权重衰减系数，使模型更加稳定，避免过拟合。
缺点： 学习率容易受到网络噪声的影响，从而影响优化过程。

数据处理方式

色彩空间 缩放比例等

三、业界难点部分

增加小目标的识别：

1.增大模型网络参数img-size，例如：640改成1280

更改举例：

更改img-size参数，调为1280，相对应的letterbox函数中的new_shape（图片输入范围）参数要改成1280

原理：输入图片的尺寸增大，让模型检测的范围扩大