YOLOV3调参

2024-04-26 00:32
文章标签 yolov3 调参

本文主要是介绍YOLOV3调参,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

YOLOV3调参

参考链接。

完成了learning rate参数和decay参数的调整,这一篇尝试调整一些其他的参数,如ignore_thresh、以及data argument 相关的的参数,目前得到的最好的实验结果是:

  • learning rate:0.001
  • policy:step
  • step:40000(0.1)
  • decay:0.0010-0.0015

参数解释:ignore_thresh 指得是参与计算的IOU阈值大小。当预测的检测框与ground true的IOU大于ignore_thresh的时候,参与loss的计算,否则,检测框的不参与损失计算。
参数目的和理解:目的是控制参与loss计算的检测框的规模,当ignore_thresh过于大,接近于1的时候,那么参与检测框回归loss的个数就会比较少,同时也容易造成过拟合;而如果ignore_thresh设置的过于小,那么参与计算的会数量规模就会很大。同时也容易在进行检测框回归的时候造成欠拟合。
参数设置:一般选取0.5-0.7之间的一个值,之前的计算基础都是小尺度(1313)用的是0.7,(2626)用的是0.5。这次先将0.5更改为0.7。
实验结果:AP=0.5121(有明显下降)
loss curve:
在这里插入图片描述
这次的bacth数为48000,尾部仍然有轻微上翘,(batch次数仍然有调整空间。)

这篇关于YOLOV3调参的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/936222

相关文章

目标检测-YOLOv3

YOLOv3介绍 YOLOv3 (You Only Look Once, Version 3) 是 YOLO 系列目标检测模型的第三个版本,相较于 YOLOv2 有了显著的改进和增强,尤其在检测速度和精度上表现优异。YOLOv3 的设计目标是在保持高速的前提下提升检测的准确性和稳定性。下面是对 YOLOv3 改进和优势的介绍,以及 YOLOv3 核心部分的代码展示。 相比 YOLOv2 的改进

【机器学习 模型调参】GridSearchCV模型调参利器

导入模块sklearn.model_selection from sklearn.model_selection import GridSearchCV GridSearchCV 称为网格搜索交叉验证调参,它通过遍历传入的参数的所有排列组合,通过交叉验证的方式,返回所有参数组合下的评价指标得分,GridSearchCV 函数的参数详细解释如下: class sklearn.model_se

828华为云征文|采用华为云Flexus云服务器X实例部署YOLOv3算法完成目标检测

文章目录 一、前言1.1 开发需求1.2 Flexus云服务器介绍1.3 YOLOv3目标检测算法1.4 客户端开发思路1.5 客户端运行效果 二、服务器选购2.1 登录官网2.2 选购服务器2.3 选择服务器区域2.4 选择服务器规格2.5 选择系统镜像2.6 选择存储盘2.7 配置密码2.8 配置云备份2.9 确认配置2.10 立即购买2.10 后台控制台 三、服务器登录3.1 查看服务

深度学习从入门到精通——yolov3算法介绍

YOLO v3 论文地址:https://pjreddie.com/media/files/papers/YOLOv3.pdf论文:YOLOv3: An Incremental Improvement 先验框 (10×13),(16×30),(33×23),(30×61),(62×45),(59× 119), (116 × 90), (156 × 198),(373 × 326) ,顺序

【干货】神经网络调参技巧大揭秘

神经网络调参技巧大揭秘 ——从过拟合到优化器选择的全面解析 参考文献: 深度学习调参有哪些技巧? - 爱睡觉的KKY的回答 - 知乎 https://www.zhihu.com/question/25097993/answer/2717281021 核心结论: 神经网络调参是一个既需要理论指导又需要实践经验的复杂过程。通过先过拟合再trade off、精细调整学习率(Learning

AI学习指南深度学习篇-门控循环单元的调参和优化

AI学习指南深度学习篇:门控循环单元的调参和优化 引言 神经网络在处理序列数据(如文本、时间序列等)方面展现出了强大的能力。门控循环单元(GRU)是循环神经网络(RNN)的一种变体,具有较为简单的结构和强大的性能。为了充分发挥GRU的潜力,调参和优化过程至关重要。本文将深入探讨GRU中的调参技巧、训练过程优化及避免过拟合的方法。 一、门控循环单元(GRU)简介 1.1 GRU的结构 GR

【目标检测】YOLOV3

YOLOv3: An Incremental Improvement 1、YOLO V3 Structure YOLO V3 网络结构借鉴类似 ResNet(残差网络结构)和 FPN(Feature Pyramid Networks)网络结构方式。 残差网络:残差网络通过在网络中引入跳跃连接(shortcut connections)来构建残差块(residual blocks)。这

模型调参大法,让你的模型更进一步!

大家好,我是 Bob! 😊 一个想和大家慢慢变富的 AI 程序员💸 分享 AI 前沿技术、项目经验、面试技巧! 欢迎关注我,一起探索,一起破圈!💪 模型调参 首先需要牢记一个点:模型选型和数据质量决定了任务的底线,而调参只是锦上添花(也可能雪上加霜)的工作 所以优先考虑模型与数据,再考虑微调,能不调就不调。 模型与数据 任务 首先要明确任务是分类、回归、生成、排

yolov3 上生产

1、在生产环境上编译darknet,执行make命令就好哦。  通过以后,拿到libdarknet.so 2、改一改../python/darknet.py文件 3、把darknet里的四个模型文件地址改一改就可以了     后面我会写一篇详细的,今天我要回家了