用yolo训练东北大学数据集且不用预训练参数精确度为 0.00133，正常吗

Question

用yolo训练东北大学数据集且不用预训练参数,保证数据格式正确并且已经已经训练了十几轮但是精确度为 0.002左右，正常吗？

```bash
 
 

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
     23/150     0.375G       4.03      3.773      3.709         13        224: 100%|██████████| 158/158 [00:10<00:00, 15.58it/s]
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 12/12 [00:00<00:00, 14.07it/s]
                   all        180        412    0.00395    0.00433    0.00347    0.00145
  0%|          | 0/158 [00:00<?, ?it/s]
      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
     24/150     0.375G      4.003      3.775      3.706         19        224: 100%|██████████| 158/158 [00:10<00:00, 15.47it/s]
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 12/12 [00:00<00:00, 14.08it/s]
                   all        180        412      0.002      0.297    0.00349    0.00142
  0%|          | 0/158 [00:00<?, ?it/s]
      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
     25/150     0.375G      3.982      3.757      3.705         20        224: 100%|██████████| 158/158 [00:10<00:00, 15.33it/s]
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 12/12 [00:00<00:00, 14.11it/s]
                   all        180        412    0.00195        0.3    0.00317    0.00136

    

```

Answer 1

下午好🌅🌅🌅
本答案参考通义千问

从你提供的训练日志来看，YOLO模型在没有使用预训练权重的情况下训练东北大学数据集时，精度确实非常低（例如mAP50和mAP50-95都接近于零）。这种情况下，有几种可能的原因和解决方法：

1. 数据集问题：

   • 确保数据集标注正确，没有错误。
   • 检查数据集是否平衡，即每个类别的样本数量是否均匀分布。

2. 模型配置问题：

   • 检查YOLO的配置文件，确保所有参数设置正确，包括输入尺寸、输出通道数等。
   • 确认模型结构与数据集匹配，如类别数是否一致。

3. 训练策略问题：

   • 学习率调整不当：尝试降低学习率或采用学习率衰减策略。
   • 数据增强：适当的数据增强可以提高模型泛化能力。
   • 验证集划分：确保验证集划分合理，以准确评估模型性能。

4. 优化器选择：

   • 除了默认的优化器（如SGD），尝试其他优化器（如Adam）。

5. 预训练权重：

   • 虽然你提到不使用预训练权重，但有时预训练权重可以帮助模型更快收敛。如果可能，尝试加载预训练权重，即使只加载一部分。

解决方案

1. 检查数据集

   • 确保数据集标注正确，没有错误。
   • 检查数据集是否平衡，即每个类别的样本数量是否均匀分布。

2. 调整模型配置

   • 确认模型配置文件中类别数正确。
   • 尝试不同的输入尺寸和输出通道数。

3. 调整训练策略

   • 降低学习率，尝试 0.001 或更低。
   • 使用学习率衰减策略，例如每若干个epoch后将学习率减半。
   • 应用数据增强技术，如随机裁剪、旋转、亮度调整等。
   • 确保验证集划分合理，以准确评估模型性能。

4. 尝试不同优化器

   • 替换优化器，例如使用Adam优化器。

5. 使用预训练权重

   • 即使只加载部分预训练权重，也可以帮助模型更快收敛。

示例代码调整

假设你使用的是YOLOv5，以下是一些可能的代码调整示例：

降低学习率

# 在训练脚本中调整学习率
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9, weight_decay=0.0005)

应用数据增强

from albumentations import Compose, RandomBrightnessContrast, ShiftScaleRotate

# 定义数据增强
transform = Compose([
    RandomBrightnessContrast(p=0.5),
    ShiftScaleRotate(shift_limit=0.0625, scale_limit=0.1, rotate_limit=45, p=0.5)
])

# 在数据加载器中应用数据增强
dataset = CustomDataset(transform=transform)

使用学习率衰减

from torch.optim.lr_scheduler import ReduceLROnPlateau

scheduler = ReduceLROnPlateau(optimizer, mode='min', factor=0.5, patience=3)

# 在训练循环中调用
for epoch in range(num_epochs):
    # 训练代码...
    scheduler.step(val_loss)  # val_loss 是验证损失

通过上述调整，可以期望模型性能有所提升。如果问题仍然存在，建议进一步检查数据集和模型配置的具体细节。