关于 Yolo 模型目标检测精度与训练关系的思考

基于YOLO检测模型的CV业务常见问题：

        笔者当前从业与燃气行业CV安全生产领域，目前常见的问题有；1受雨雪天气影响Yolo 模型的检测精度下降。2 训练数据采集困难，导致模型能力泛化而精度不足。

一、雨雪天气视频模糊解决方案：

a. 图片增强，图片过滤；在数据源头改进，对质量图片进行预处理 丢弃不合格的图片；对合格但质量较低的图片在输入模型之前 镜像质量优化。

二、模型泛化精度不足解决方案。

a. yolo 预训练模型使用的数据集是通用数据集 ，一般不能直接拟合特定的客户场景；需要在确定客户的使用场景之后 ，从客户侧获取足够多的图片做二次训练。

b. 预训练的初始模型，就像一个六岁的幼儿；他能否认识所看到的物品（对象），取决于老师有没有准确的教过他这个物品的标准（专业）名称。当你告诉他苹果 是水果 ，梨也是水果。你再拿个苹果问他是是什么，他只能告诉你是水果。训练模型和教育幼儿类似，你要用专业人士的视角来标注训练数据。比如你标注建筑工地的图片，那标注上的词汇 应是建筑领域的专业词语，而不是一个大众 的泛泛认知。只有这样训练出来的模型 才能具备具体领域的专业知识。