记录一次简单的模型训练分析过程

本篇是自己学习过程中的记录，使用的数据集比较小，主要是为了代码分析和简单的提点。代码分析的部分在之前的文章中已经总结了，本篇主要是结果分析和提升map的一些尝试，入门阶段，高手请绕行。

数据集

目标：口罩
标签：mask, no-mask
训练集：123个
验证集：46个
来源：https://app.roboflow.com/yolo-e1ffu/mask-lcllo/2

baseline模型训练

参数：
训练框架：yolov5
模型：yolov5s
显卡：4090
训练命令：

python train.py --data mask/data.yaml --weights yolov5s.pt --cfg models/yolov5s.yaml --epochs 100 --batch-size 24

结果分析：
分析训练的结果，首先看损失曲线。损失曲线都稳定下降，并最终处于一个水平的范围，损失函数、学习率等参数正常。然后看PR曲线，P曲线有点震荡，R曲线正常，随着训练次数逐渐上升。最后看map。mask的map为0.893属于正常，no-mask的map为0.175偏小。
从混淆矩阵来看，no-mask被识别成mask为0.25，这个指标有点偏高，no-mask被识别成background为0.1，也有点高，也就是漏检高。

思路：no-mask的map是主要问题，能够提高no-mask的map就能大幅提高整体map。

分析数据集发现no-mask标签的数据偏少，所以需要增加对应数据集。

第一次增加数据集

标注不带口罩的数据集18张，1:1分为训练集和验证集。

训练：


分析：
粉红色为本次训练，可以看到训练的效果相比较上一次较好。从map来看，从0.534提高到0.711。主要是no-mask类别的map从0.175提高到0.543。

第二次增加数据集

继续新增no-mask相关数据集，共17张。

训练：


分析：
混淆矩阵的变化，no-mask的正检升高，漏检都下降到0.07

将整体map从0.711增加到0.919，no-mask的数据集从0.543上升到0.939。

总结

记录map变换

训练记录	map@0.5	mask map	no-mask map
baseline	0.534	0.893	0.175
1.0	0.711	0.88	0.543
2.0	0.919	0.9	0.939

增加数据集是提高map的一种重要方法，特别是在数据集较少的情况下