1、获取更多的数据
2、数据增广
3、输入分辨率
4、使用预训练pretrained模型
5、选择合适的模型尺寸和架构
6、继续之前的训练
7、选择最好的模型
8、模型评估
9、导出模型
10、优化推理速度

1、获取更多的数据

改进目标检测模型的最佳方法是收集更有代表性的数据，YOLO v4也不例外。
特斯拉人工智能高级总监安德烈•卡帕西在解释特斯拉如何让汽车停下来时表示：数据集是活的，标签一直在变化。你需要一直管理和更改数据集。

2、数据增广

收集和标记更多的数据需要代价。可以通过数据增广来扩展训练集。
YOLO v4的训练过程会自动进行数据增广(文章)。

3、输入分辨率

输入分辨率决定了将被传递到模型中学习和预测的像素数。
高分辨率可以提高准确性，帮助检测小物体，但代价是时间慢。YOLO的输入分辨率必须为32的倍数。默认是416x416。在cfg文件夹中更改宽度和高度。

4、使用预训练pretrained模型

一般，我们在预训练模型上进行微调。（yolo v4预训练模型）
预训练模型是在COCO数据集上进行了预先训练，该数据集包括人、自行车和汽车这样的常见对象。一般来说，如果你的训练任务中的目标和COCO数据集相似，从预训练模型微调是一个好主意。

darknet.exe detector train data/your.data cfg/your.cfg yolov4.conv.137

然而，如果你的训练任务中的目标和COCO数据集大相径庭，不如从头开始训练。

darknet.exe detector train data/your.data cfg/your.cfg

可以两者都试一试，比较哪个模型更好。

5、选择合适的模型尺寸和架构

如果你更关心推理速度，那么选择较小的模型YOLOv4-tiny。
查看cfg文件夹，并尝试更改网络架构和层，配置网络结构。
如果如果你的训练任务中的目标形状与COCO数据集差别很大，那么需要考虑实现自定义锚框，在cfg文件夹中更改anchors。

6、继续之前的训练

类似于使用预训练模型，您可以从继续之前的训练，或将从其他数据集学到的模型学习应用到新的数据集。

darknet.exe detector train data/your.data cfg/your.cfg your.weights

7、选择最好的模型

Darknet模型权重保存在backup文件夹中，基于验证集自动为你保存最好的模型_best.weights。
同时也会保存你训练时的最后权重_last.weights。

8、模型评估

在数据集和模型结构进行各种调整时，对结果进行跟踪是很有用的，这样您就可以看到怎么样组合对你的数据集最有效。
Darknet可以计算模型的mAP，这是一个主要指标。
另一个指标是推理的速度。

9、导出模型

Darknet的模型格式为*.weights。
可以通过一些方法将其转成其他框架比如TensorFlow支持的格式。

10、优化推理速度

减少模型推理时间的主要方法是使用更小的模型，如YOLOv4-tiny。
也可以通过提高硬件配置来实现，比如GPU或在Intel VPU上使用OpenVino进行推理。对于GPU，建议使用YOLOv4 TensorRT框架进行部署。

训练yolo V4模型调优的十个建议相关推荐

Yolov5自定义图片训练测试及模型调优（详细过程）
Yolov5自定义图片训练测试及模型调优(详细过程) 1. 图像数据获取.标注 2. 数据集划分及准备 3. 配置训练参数,准备训练: 3.1 修改data/训练配置xxx.yaml文件: 3.2 修 ...
深度学习入门知识整理-训练技巧以及模型调优
目录网络模型先简单后复杂确认模型损失检查中间输出和连接关于可视化神经网络的主要方法,Faizan Shaikh 举出了三个例子: 超参数的选择学习率范围侧视图Colab Notebook N ...
训练YOLO v4模型时，xml格式转txt格式
YOLO训练时需要的标签数据是txt格式的而以前做Faster-RCNN的时候,标签文件是xml格式的特别当下载别人标记好的数据集时,很有可能提供的是xml格式的文件,那么如何将xml格式转为tx ...
ML：通过数据预处理(分布图/箱型图/模型寻找异常值/热图/散点图/回归关系/修正分布正态化/QQ分位图/构造交叉特征/平均数编码)利用十种算法模型调优实现工业蒸汽量回归预测(交叉训练/模型融合)之详
ML之LightGBM:通过数据预处理(分布图/箱型图/模型寻找异常值/热图/散点图/回归关系/修正分布正态化/QQ分位图/构造交叉特征/平均数编码)利用十种算法模型调优实现工业蒸汽量回归预测(交叉训 ...
R语言机器学习Caret包（Caret包是分类和回归训练的简称）、数据划分、数据预处理、模型构建、模型调优、模型评估、多模型对比、模型预测推理
R语言机器学习Caret包(Caret包是分类和回归训练的简称).数据划分.数据预处理.模型构建.模型调优.模型评估.多模型对比.模型预测推理目录
笔记 | 百度飞浆AI达人创造营：深度学习模型训练和关键参数调优详解
笔记 | 百度飞浆AI达人创造营:深度学习模型训练和关键参数调优详解针对特定场景任务从模型选择.模型训练.超参优化.效果展示这四个方面进行模型开发. 一.模型选择从任务类型出发,选择最合适的模型. ...
深度学习模型训练和关键参数调优详解
深度学习模型训练和关键参数调优详解一.模型选择 1.回归任务人脸关键点检测 2.分类任务图像分类 3.场景任务目标检测人像分割文字识别二.模型训练 1.基于高层API训练模型加载数据集 ...
机器学习模型调优总结！
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:Xiaoyou Wang,编译:机器之心无论是 Kaggle 竞 ...
收藏 | 机器学习模型调优3大策略
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达仅作学术分享,不代表本公众号立场,侵权联系删除转载于:机器之心无 ...

训练yolo V4模型调优的十个建议