遇到问题用YOLO训练自己的数据集在训练集图片上测试效果很好换成测试集图片或者其他图片测试效果极差。而且10000次就开始收敛了然后又继续训练到50000次这个过程Loss值一直稳定0.1左右不再下降——经过查阅资料最大可能性就是过拟合了。一过拟合现象有时我们发现模型在训练集上效果很好但是在测试集上效果不好这种现象称为过拟合二解决办法1.增加样本数据量2.数据增强人为扩展数据量3.正则化正则化之所以能够降低过拟合的原因在于正则化是结构风险最小化的一种策略实现。 给loss function加上正则化项能使得新得到的优化目标函数h fnormal需要在f和normal中做一个权衡如果还像原来只优化f的情况下那可能得到一组解比较复杂使得正则项normal比较大那么h就不是最优的因此可以看出加正则项能让解更加简单通过降低模型复杂度得到更小的泛化误差降低过拟合程度。4.Dropout在前向传播时某个神经元的激活值以一定的概率p停止工作随机地删除网络中的一般隐藏的神经元这样可以使模型泛化性更强因为它不会太依赖某些局部的特征从而解决过拟合问题 一般取值为0.3或0.5 。5.early stopping在训练中计算模型在验证集上的表现当模型在验证集上的表现开始下降的时候停止训练这样就能避免继续训练导致过拟合的问题 。既然出现过拟合尝试用前几次保存下来的权重测试一下不用最终的权重。是不是前面保存的权重效果可能会好点呢验证一下发现测试效果并不好。三经验之谈不能检测出自己的数据集是指训练集还是测试集一般理解肯定是自己的测试集那么有两种可能一种是你的网络过拟合了第二种是训练集和测试集几乎没有关联性。假设1用训练集A训练之后检测训练集A中的数据发现不能检测。算法完全没有学习甚至都没有出现过拟合可能是训练数据不足、学习率过大等问题导致的。假设2用训练集A训练之后检测测试集B中的数据发现不能检测。可能性1训练集A和测试集B中的数据关联性不强YOLO没能很好的将从训练集A中的学习到的检测能力扩展到测试集B上。可能性2假设1中提到的问题。可能性3需要检测的目标在图片中占据区域较小因为YOLO是将图片分成13*13应该是吧个格子每个格子进行预测的每个格子对应预测图像中一定区域内是某个目标的可能性。当目标只占据一个格子的很小区域时预测的可信度不高也就预测不出来。参考链接https://blog.csdn.net/weixin_45069761/article/details/106758137https://www.zhihu.com/question/267139988