如何提高目标检测模型的置信度，提高mAP

首先引用https://blog.csdn.net/Nire_Yeyu/article/details/105403220

1.调小score_threshold

这种方法属于见效快，但是治标不治本。在验证阶段直接调小score_threshold，可以将mAP快速提升，但是实际上你的模型预测的结果，置信度还是很低。

2.调小batch_size

将原本的batch_size调小，同时增大learning_rate，batch_size可以尝试慢慢调小，因为batch_size小，训练速度会变慢，batch_size大训练速度会相对快一些。
原理是假设你正在看一本书，书的总页数是固定的（相当于数据集的大小）batch_size越大，相当于你每次同时看batch_size页的书，虽然learning_rate较低，即每次看的较慢，但是最终花费的时间短，理解的东西会比较片面，导致阅读质量下降，即预测结果置信度很低，即评估只能通过设置很小的score_threshold，来提升mAP。
所以解决方法是，调小的batch_size，同时增大learning_rate。即每次看较少数量的内容，但是提高阅读速度，总花费时间较长，但理解的东西比较深刻，即最终模型训练的结果也会较好，评估阶段置信度较高。

3.如果是YOLOV3训练

1. 我遇到的问题是，前期precision很低，recall相对较高，查看结果是预测结果太多了，我的解决方法是提高nms阶段的score_threshold，原本0.01我调整到0.1又调到0.05，最终发现0.05效果较好。
2. 加更，nms阶段的score_threshold可以继续增加，也可以提升一部分的mAP
3. 更换优化器，即optimizer_name，可尝试替换其他优化器，查看效果

总结

上述是我将kmeans应用到YOLOV3中，更换自己的anchors时，mAP一直很低，自己多次调整之后，总结的经验。加油自己！离成功又近了一步~