目标检测模型在训练时性能不好简要分析

目标检测性能不好的原因有很多，这里简要分析一下常见的情况。

1、很多人总说喜欢拿过拟合说事，那么过拟合是什么情况？
按照我的理解，过拟合就在train上很高，在test上很低。严谨一点来说就是train的loss一直降低，test的loss是先降低后提升。为什么是test loss降低的过程代表是模型训练拟合的过程，test loss提升的过程表示模型过拟合训练集，严重偏好训练集的数据。

2、目标检测的过拟合其实没有降点那么多。
(1)目标检测模型，到最后都会过拟合，但是这种过拟合在test上面一般不会降点太多，更何况我们训练模型也就几十epoch就结束了。如果你训练几百epoch那么过拟合的风险就很大。
(2)怎么确定模型是否过拟合？
A、在train上测试，如果结果到90+了，但是测试集只有50、60。可以测试一下不同epoch的模型结果，发现20epoch效果好，30epoch效果差一些，那么考虑过拟合。
B、如果train上测试，低于80，那么模型显然是欠拟合啊！train上只有80，怎么能叫过拟合。

3、目标检测性能不好一般咋分析？
(1)数据分布问题
训练集和测试集是不是同一数据分布，也就是训练集和测试集划分的是否合理。
A、图像类型同分布
假如train的数据是RGB的图像，测试的是灰度图肯定不行哈！
B、目标类型同分布
训练中全都是大目标，测试的都是小目标，目标的尺度分布不一致。或者训练集中目标都是黑暗背景下，测试目标都是高亮的情况下。
(2)性能不好如果是性能相当差(低于30)。
那就考虑是不是输入数据有问题，或者后处理出问题(这样的可能性小，因为数据预处理和后处理一般都是用的那些代码)。
(3)性能不好，别人训练80，我训练60(一般我们遇到的都是这个情况)。
主要还是参数设置
A、比如lr（过大或者过小，没有学习率下降）
B、anchor(不合适，没有计算目标尺度分布)
C、图像尺度(有时候没有注意，输入图像1024，但是yolo的输入默认416，这一搞不就凉凉)
D、其他方面就是用的网络模型不好(别人用resnet，我用vgg；或者faster rcnn和yolo等)，FPN、roi align、roi pooling等(但是这些一般不会降点太多)