train exp

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