yolo训练日志

yolo训练日志

通过两天的训练,得到训练后的权值,效果有喜有忧.

  1. 数据量的大小对训练的影响.

    第一次训练的图片约为6000张

    第一次训练的图片约为94000张

    迭代次数为120000次

    准确度是否与数据集大小成正相关?

    但是效果却不明显.

  2. 参数设置对训练的影响

    net

    convolution

    max pool

    region

  3. 输出结果分析

    • Region Avg IOU: 这个是预测出的bbox和实际标注的bbox的交集 除以 他们的并集。显然,这个数值越大,说明预测的结果越好。
    • Avg Recall: 这个表示平均召回率, 意思是 检测出物体的个数 除以 标注的所有物体个数。
    • count: 标注的所有物体的个数。 如果 count = 6, recall = 0.66667, 就是表示一共有6个物体(可能包含不同类别,这个不管类别),然后我预测出来了4个,所以Recall 就是 4 除以 6 = 0.66667 。

    11999

    • 11999是~次数,6.035534train loss6.783708 avgavg train loss0.000010 rate是学习率, 2.310784 seconds是 batch的处理时间, 最后是已经一共处理了多少张图片。
    • 重点关注 train loss 和avg train loss,这两个值应该是随着iteration增加而逐渐降低的。
    • 如果loss增大到几百那就是训练发散了,如果loss在一段时间不变,就需要降低learning rate或者改变batch来加强学习效果。
  4. 如何处理呢

    • 找到 loss的极值点
    • 多训练个几万次
    • 迷茫中…..

    Reference

    http://blog.csdn.net/Fate_fjh/article/details/70598510

    http://www.cnblogs.com/hansjorn/p/7491391.html

    训练自己的数据集时 修改参数和代码

    http://blog.csdn.net/q6324266/article/details/54375452

    http://blog.csdn.net/hysteric314/article/details/54097845

发表评论

电子邮件地址不会被公开。 必填项已用*标注