Tensorflow Lite模型部署实战教程--yolov5模型训练的优化建议

目录

数据集

模型选择

使用预训练权重

训练设置

图像大小

批处理大小

超参数

 Tensorflow Lite模型部署实战教程是一系列嵌入式Linux平台上的模型部署教程。

🌲基于的硬件平台：i.MX8MPlus EVK

🌟BSP版本：L5.10.52_2.1.0

🌞Tensorflow Lite版本：2.5.0

数据集

• 每个类的图像：每类≥1.5万张图片
• 每个类的实例。每类总数≥10k个实例（标记对象）
• 图像多样性。必须代表已部署的环境。对于现实世界的用例，我们推荐来自一天中不同时间、不同季节、不同天气、不同灯光、不同角度、不同来源（在线刮擦、本地收集、不同相机）等的图像。
• 标签一致性。所有图像中所有类的所有实例都必须标记。只有部分标签不起作用。
• 标签准确性。标签必须紧紧包裹每个对象。对象和它的边界框之间不应该存在空格。任何对象都不应该缺少标签。
• 背景图像。背景图像是没有对象的图像，这些对象被添加到数据集中以减少假阳性（FP）。我们建议使用约0-10%的背景图像来帮助减少FP（COCO有1000张背景图像供参考，占总数的1%）。

模型选择

如果是移动端部署，可以选择YOLOv5n/s/m。

使用预训练权重

建议用于中小型数据集（即VOC、VisDrone、GlobalWheat）。将模型的名称传递给--weights参数。模型会自动从最新的YOLOv5版本下载。

python train.py --data custom.yaml --weights yolov5s.pt
                                             yolov5m.pt
                                             yolov5l.pt
                                             yolov5x.pt
                                             custom_pretrained.pt

建议大型数据集使用空权重（即COCO，Objects365，OIv6）。传递模型的yaml，以及一个空的--weights ''参数。

python train.py --data custom.yaml --weights '' --cfg yolov5s.yaml
                                                      yolov5m.yaml
                                                      yolov5l.yaml
                                                      yolov5x.yaml

训练设置

训练周期

从300个epoch开始。如果这很早就过合时宜，那么你可以缩短epoch。如果在300个epoch后没有出现过拟合，则训练时间更长，即600、1200个epoch等。

图像大小

COCO以--img 640的原生分辨率进行培训，但由于数据集中大量小对象，它可以从--img 1280等更高分辨率的培训中受益。如果有很多小对象，那么自定义数据集将受益于原生或更高分辨率的培训。最佳推理结果是同时获得的--img与训练一样，即如果在--img 1280训练，还应该在--img 1280进行测试和检测。

批处理大小

使用硬件允许的最大--batch-size。

超参数

超参数。默认超参数在hyp.scratch.yaml中。在考虑修改任何超参数之前，先使用默认超参数进行训练。一般来说，增加增强超参数将减少和延迟过度拟合，从而延长训练时间并提高最终mAP。减少损失成分增益超参数，如hyp['obj']，将有助于减少这些特定损失组件的过度拟合。

版权声明：本文为CSDN博主「MuggleZero」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_38131812/article/details/121802283