train.py在不同参数下的消融实验

最新推荐文章于 2024-01-01 21:52:12 发布

胖子工作室

最新推荐文章于 2024-01-01 21:52:12 发布

阅读量704

点赞数

分类专栏：深度学习文章标签：深度学习机器学习人工智能

本文链接：https://blog.csdn.net/zhouzongzong/article/details/125287605

版权

深度学习专栏收录该内容

58 篇文章 73 订阅 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本文探讨了train.py在不同参数配置下的消融实验，包括超参数进化、多尺度训练、加权图像策略、优化器选择、标签平滑、早停策略、冻结层、矩形训练以及C3CBAM等。这些参数对模型的鲁棒性和性能产生显著影响，尤其是在小样本量和迁移学习场景中。

摘要由CSDN通过智能技术生成

在默认参数情况下进行训练结果：
在这里插入图片描述

参数更新实例：

python train.py --epoch 53 --data .\data\junk2020.yaml --cfg .\models\yolov5s.yaml --weight runs\exp10\weights\best.pt --evolve --cache-images

1、超参进化：–evolve
遗传超参数进化；yolov5使用遗传超参数进化，提供的默认参数是通过在COCO数据集上使用超参数进化得来的（也就是下图这些参数）。由于超参数进化会耗费大量的资源和时间，所以建议大家不要动这个参数。
在这里插入图片描述
2、–multi-scale
是否启用多尺度训练，默认是不开启的；多尺度训练是指设置几种不同的图片输入尺度，训练时每隔一定iterations随机选取一种尺度训练，这样训练出来的模型鲁棒性更强。