如何提高YOLOv5在自己数据集上的识别精度

一、数据集

1、 每类图片数，建议>1500张
2、 每类实例数，推荐每类标签实例数>10000
3、 图片多样性，必须代表部署环境，对于现实世界我们推荐图片来自一天中不同时间，不同季节，不同天气，不同光照，不同角度和不同相机等
4、 标签一致性，所以图片的所有类的实例都需要被标注，部分标签将不起作用
5、 标签准确性，标签必须紧密地包围每个对象，对象与其边界框之间不应存在空间，任何对象都不应缺少标签。
6、 背景图像，背景图像是没有对象的图像，这些对象添加到数据集中以减误报（FP），建议使用大约0-10%的背景图像来帮助减少FPs（COCO有1000张背景图像供参考，占总数的1%），背景图像不需要标签。

二、模型选择

模型越大，得到的结果越好，但是需要更多的CUDA内存去训练，且训练时间更长。对于移动部署，我们建议使用YOLOv5s/m；对于云部署，我们建议使用YOLOv5l/x。
小数据集（VOC）建议使用预训练模型做迁移学习，大数据集（COCO）可从头开始训练。

三、训练设置

第一次训练推荐使用默认设置，得到模型性能基线。
1、 Epochs，默认300个，出现过拟合则减小该值，反之亦然。
2、 Image size，COCO数据集训练使用640分辨率，由于数据集中有大量的小目标，增加分辨率（如1280），有利于训练结果。如果客户数据集有很多小目标，使用原始像素或者更高像素有利于训练。想要获得好的模型推理结果则推理像素需与训练像素一致。
3、 Batch size，使用硬件允许的最大值，需避免值过小产生糟糕的统计结果
4、 Hyperparameters，默认的超参数在hyp.scratch.yaml文件中，一般情况下，增加augmentation参数可降低和推迟过拟合，以便于更长的训练获得更高的mAP值。减小类似[‘obj’]等损失增益的值也可降低过拟合。