detectron2训练自己的数据集_在Keras下使用Yolov3，创建自己数据集训练预测

1.自适应调整：依训练状况伺机而变，通过监测某个指标的变化情况(loss、accuracy)，当该指标不怎么变化时，就是调整学习率的时机(ReduceLROnPlateau)

2.训练分为彩色图训练和灰度图训练

训练1彩色图

cfg

batch：16

subdivisions：16

channels：3

train.py

val_solit：0.1

batch：16(两处)

epochs：50+50

训练2灰度图

cfg

batch：64

subdivisions：16

channels：1

train.py

val_solit：0.1

batch：16(两处)

epochs：100+50

可以修改的参数：

epochs，learning_rate，batch。。。。。。

3.python yolo_video.py --image进行测试

训练1测试

训练2测试

训练3测试

4.制作数据集进行训练，网上教程一大堆

5.主要来看看训练效果好不好

训练3彩色图：

cfg

batch：64

subdivisions：16

channels：3

train.py

val_solit：0.1

batch：32(两处)

epochs：100+50

cfg：batch：64==>内存不够，训练kill掉，改为32试试，仍然kill，不是这里问题

train.py：第二个batch报错，内存不够，把这个batch改为16，ok

||

||

改为

cfg

batch：128

subdivisions：16

channels：3

train.py

val_solit：0.1

batch：32+16

epochs：100+50

开始训练！

训练结束：

训练1：

loss：12.2865

训练2：

loss：12左右

训练3：

loss：12.0956 val_loss：12.2082

测试

初步测试下来，训练1要比训练2要好，彩色图比灰度图好些，然后测试的时候不允许输入灰度图，会报错，只能自己修改。

预测训练3的效果要比训练1好，因为batch变大，epoch变多。

但是发现训练3的bounding box要大很多唉，也不知道怎么回事。