YOLO实验记录

2023年2月17日

配置与环境

CPU：Intel® Xeon® Gold 6133 CPU @ 2.50GHz x8
GPU：NVIDIA Tesla V100 32G显存
python 3.8 pytorch1.12.1 cuda11.4 cuDNN 8.2.1

训练配置信息

输入图像尺寸：1280x1024
预训练模型：无
训练epoch：800
batch-size：24
优化器：adam
学习率下降策略：cos
cos下降策略到最后一步迭代的最后时，系数刚好为cos(pi/2)，即为0，开始迭代时系数为为cos(0)，即为1，中间遵循余弦曲线的方式下降。

lr = args.lr * (1 + cos(pi * (current_iter - warmup_iter) / (max_iter - warmup_iter))) / 2

GPU使用状况：

最终结果，在训练到低180轮次后被手动终止，原因为130轮次后loss便不再下降，出现震荡状况。

2023年2月17日晚

今天对CADC数据集进行了处理，将一些不符合规范的标注进行修改，并再次投入应用，从0开始训练，包含主干网络参数。
此时训练对显存需求增大，batch-size只能设置为12才堪堪够用。
后续在训练中是否会出现爆显存问题还未可知，祈祷不要出问题吧，睡觉去喽，明早再说。

2023年2月19日早

模型逐渐收敛。验证集的loss逐渐稳定，原设定训练600轮次，在400次时便不再有明显变化。

2023年2月19日晚

训练了近500次了，原本设定训练epoch为600，但此时其loss已经没有明显的变化，便将其提前终止了。

进行测试，计算mAP值
很遗憾，尽管对数据集重新做了标注，但效果并没有提升很多，将我们的预测结果在图片上打印出：
可以看出其准确度还是有的，但其召回率太低，很多物体都没检测出，博主这里将lou设置为0.5，置信度设置为0.5，理论上该数值算是较为正常的，想是否是由于远距离导致目标尺寸变小导致的呢？

2023年2月19日

考虑到是否是模型问题，将模型进行修改并再次开始训练，此次没有从0开始训练，而是使用了预训练权重，并设置batch-size=24，epoch=600