type
status
date
slug
summary
tags
category
icon
password
唐承捷 201901512330
背景
假设你是一个新晋
训练师 ，对Pokemon不太熟悉
你打开了小田卷博士给你的宝可梦图鉴，却发现需要你自行进行登记
于是你决定开发一种新的图鉴，能够直接通过摄像头获得你所看到的宝可梦的信息
yolo classification 灵车
主要取决于数据集，手动标注数据集太过枯燥，因此直接使用现有数据集进行分类任务，而当前所找到的数据集均为Classification数据集，不包含位置信息，因此yolo无法学习到bounding box信息。
任务分类是特殊的目标检测，更为简化
训练
loss
过拟合，遂放弃
1. 感觉针对实物图片训练得到的weight不适合虚拟形象
2. 使用预训练模型没有在开始时就得到很好的效果
预训练模型似乎不能起到很好的效果，改而重新进行训练。
简化模型
感觉默认的模型深度和宽度对这个小任务都太过庞大，需要很大量的数据集才能够喂饱，因此一开始尝试修改
depth_multiple 和 width_multiple 为0.3-0.5，但在前10个epoch没有看到明显效果，遂放弃。同时降低classes从150类到22类，作为验证。
why not faster
使用多GPU训练
数据增强
yolo训练时似乎进行了一定的数据增强，对图片进行叠加覆盖、截取后识别。
Stage1 epoch300
小规模测试
Stage2 150 classes 1000epoch
全类别训练
Stage3 150 classes 继续2000epoch
约800 epoch时候无法获得性能提升
pattern
开始的loss爆炸是什么原因？
检测
图片中必须出现已有宝可梦，否则会乱猜？
可能loss函数使得该情况下总loss最低但召回率提高，因此模型学到了瞎蒙的策略。
Refer
yolov7
WongKinYiu • Updated Aug 30, 2023
- Author:NotionNext
- URL:https://tangly1024.com/article/%E5%AE%9D%E5%8F%AF%E6%A2%A6%E6%A3%80%E6%B5%8B%E4%B8%8E%E5%88%86%E7%B1%BB%E7%B3%BB%E7%BB%9F%E7%9A%84%E8%AE%BE%E8%AE%A1%E4%B8%8E%E5%AE%9E%E7%8E%B0%20yolov7%20classification%E7%81%B5%E8%BD%A6
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!
Relate Posts