模型调参、训练模型 trick

1 多任务loss 怎么设计

多任务的loss优化_ytusdc的博客-CSDN博客

3、出现漏检、误检，怎么解决？

目标检测中的类别漏检问题该怎么解决？

4、零样本分类问题。如果测试时出现一个图片是训练时没有的类别，怎么做

one/zero-shot learning（一次学习/零样本学习）的理解_ytusdc的博客-CSDN博客

5、如何划分训练集？如何选取验证集？

6、如何解决训练集和测试集的分布差距过大问题？

https://blog.csdn.net/ytusdc/article/details/128515236

7、如果有很长，很小，或者很宽的目标，应该如何处理目标检测？

 > 小目标不好检测的两大原因：
     1）数据集中包含小目标的图片比较少，导致模型在训练的时候会偏向medium和large的目标。
     2）小目标的面积太小了，导致包含目标的anchor比较少，这也意味着小目标被检测出的概率变小。

   >改进方法： 
        1）对于数据集中含有小目标图片较少的情况，使用过度采样（oversample）的方式，即多次训练这类样本。
     2）对于第二类问题，则是对于那些包含小物体的图像，将小物体在图片中复制多分，在保证不影响其他物体的基础上，人工增加小物体在图片中出现的次数，提升被anchor包含的概率。
       3）使用FPN；
       4）RPN中anchor size的设置一定要合适，这样可提高proposal的准确率。5）对于分辨率很低的小目标，我们可以对其所在的proposal进行超分辨率，提升小目标的特征质量，更有利于小目标的检测。

8、lr的调节、batchsize怎么调
9、warm up 机制

深度学习训练策略--学习率预热Warmup_ytusdc的博客-CSDN博客_warmup_steps

10、int8，FLOPS，FLOPs，TOPS 等具体含义

int8，FLOPS，FLOPs，TOPS 等具体含义_ytusdc的博客-CSDN博客

14、维度爆炸

 机器学习中的维度灾难
 

12、怎么在我原有的结果上提升准确率

 > ①提高数据质量，数据扩充，数据增强（mixup training）
     ②改变网络结构③改变优化器，改变学习率④知识蒸馏？