第四期：物体检测 (I) yolo模型参数调优心得

[jimmy9778]

【华为云 ModelArts-Lab AI实战营】第四期：物体检测 (I) 采用预置的yolo模型算法,根据模型参数多次优化，获得训练精度结果比较如下：


其中：V0007版本 是模型实操建议采用的参数，该参数：虽然学习率（0.0001）和学习动量（0.9）都设计比较合理，但epoch=10次数不大，模型学习不够充分，虽然召回率=0.920412，但准确率只有0.641631。后面分别对卷积神经网络超参数：学习率、学习动量及epoch进行调整，最后结果如上图，
从多次训练中看到最好模型版本为V0012【lr=0.0001;mom=0.99;epoch=30,则召回率为：97.7%，准确率为：92.4%】。
根据多次训练初步得出：
1）学习率：控制梯度下降的速度。如果过小，则收敛速度慢；反之则阻碍收敛，在积值点附近产生震荡。
2）训练动量：表示每次更新的变化量，当前后2次动量方向一致，则加速，反之则减速
3）当学习率合适并且一定的情况下，适当增加训练动量及epoch数量，可以加速模型的训练收敛速度和准确度，但当模型准确度接近理论值时，再增加epoch数量，或导致学习过拟合现象。但是当epoch次数太少，导致学习不够充分，从而导致欠拟合现象。

以上为本人对本期模型训练中对CNN网络中超参数的调优理解，不一定正确，还在深度去理解中，希望各位大神指正。

[chaoxu1203]

你好，感谢分享。物体检测算法的精度请参考训练作业日志中的mAP，这是物体检测算法最常用的评价指标。