DataWhale AI夏令营 CV方向 Task2 baseline改进

DataWhale AI夏令营 CV方向 Task2

Baseline 进阶思路

1 数据集

在baseline的代码基础上要提高识别准确率，首先可以增大训练集，增加更多的视频进行训练，第一次增大到10个视频进行训练，第二轮增大到30个视频进行训练。

2 更换基础模型

baseline中采用的模型为yolov8n，可以采用同系列更大尺寸的模型yolov8m，yolov8x，yolov8l等模型，第一轮训练采用yolov8m模型，第二轮采用yolov8l模型

3 增加训练轮数

从baseline的2轮训练增加到10轮训练，第二次增加至20轮训练

4 改动batchsize

1. 批处理大小过大：
   优点：
   训练速度较快：大批次可以充分利用硬件加速器（如GPU）的并行计算能力，加速训练过程。
   确保收敛性：大批次可以更好地平均梯度，减少梯度更新的噪声，可能有助于收敛到较好的局部最小值。
   缺点：
   内存需求高：较大的批次需要更多的内存空间，如果系统资源受限，可能会导致内存不足。
   泛化性能下降：较大的批次可能会导致模型过度拟合训练数据，使其泛化能力下降，对于验证集或测试集的泛化效果可能较差。

2. 批处理大小过小：
   优点：
   内存消耗少：小批次需要较少的内存，适合在资源有限的设备上进行训练。
   更好的泛化性能：小批次可能有助于模型更好地泛化到验证集或测试集，减少过度拟合的风险。
   缺点：
   训练速度较慢：小批次可能无法充分利用硬件加速器的并行计算能力，导致训练速度变慢。
   不稳定的梯度更新：小批次可能使得梯度估计不准确，导致训练过程中的不稳定性和收敛速度较慢。

最终结果从baseline的0.004提高到0.04，提高了10倍，新一轮训练正在进行中。