模型选择
超小模型:图片数量几十张到100张左右
小模型:图片数量几百张不等
中模型:图片数量上千张
大模型:图片数量上万张
超大模型:图片数量几万张
如何目标的特征点比较复杂,可以适当上一个挡位
影响最终预测结果的关键
1.图片尺寸过大,特征点较小
2.标注信息错误
3.模型网络层选择不恰当
模型参数的修改
1.网络层:针对大目标 小目标选择不同的网络层
2.优化器:影响初始学习率,影响训练效果
3.批次数:2的幂次方 2,4,8,16,32
4.图片尺寸:越大精度越高,训练时间越长,推理时间越长
批次数越大,训练速度会越快,需要的内存越大 损失越小
增量学习
将原来的数据集和新的数据集混合后,用原来的模型做预训练模型进行训练,会减少训练时间
迁移学习
原来的模型和新目标有相似的特征,可以选择已训练好的预训练模型,冻结部分网络层再进行训练,会减少训练时间