python - YOLO : Either overfits or underfits, 增加batch还是增加样本图像池？

Question

我正在尝试训练我的 yolo 模型来识别灭火器并将其标记为“消防安全”。目前，我要么得到过拟合图像，要么得到欠拟合图像(见下文)。

我的带有注释的示例图像大小约为 1500

yolo-new.cfg 配置宽度=608 和高度=608

我已经使用以下命令进行了训练:

python flow --model cfg/yolo-new.cfg --labels one_label.txt --train --trainer adam --dataset "C://Users//G//Desktop//Development//ML//YOLO//BBox-Label-Tool//Images//002" --annotation "C://Users//G//Desktop//Development//ML//YOLO//BBox-Label-Tool//AnnotationsXML//002" --batch 4 --gpu 0.8

所以在 13000 步之后:

所以我去验证我的结果，这就是我得到的结果(检查点 13000):

所以也许我认为这可能是严重过度拟合的情况，因此我迭代检查点以查看哪个最适合。

这是我使用检查点 6500 得到的结果

这是我使用检查点 6000 得到的结果

这是我使用检查点 5500 得到的结果

因此，如您所见，检查点 6000 在我的情况下是可能的最佳结果，但还不够好。我该如何改进？增加批量大小？(我的 GPU 1070Ti 无法处理。出现 Cuda 内存不足)有解决这个问题的想法吗？

Answer 1

使用 Yolov3 训练我的图像集解决了我的问题。 https://github.com/AlexeyAB/darknet

需要注意的一点是注释时不要留下任何空白，也许这可能是检测未按计划进行的原因之一。