首先引用
這種方法屬於見效快，但是治標不治本。在驗證階段直接調小score_threshold，可以將map快速提公升，但是實際上你的模型**的結果，置信度還是很低。
將原本的batch_size調小，同時增大learning_rate，batch_size可以嘗試慢慢調小，因為batch_size小，訓練速度會變慢，batch_size大訓練速度會相對快一些。
原理是假設你正在看一本書，書的總頁數是固定的（相當於資料集的大小）batch_size越大，相當於你每次同時看batch_size頁的書，雖然learning_rate較低，即每次看的較慢，但是最終花費的時間短，理解的東西會比較片面，導致閱讀質量下降，即**結果置信度很低，即評估只能通過設定很小的score_threshold，來提公升map。
所以解決方法是，調小的batch_size，同時增大learning_rate。即每次看較少數量的內容，但是提高閱讀速度，總花費時間較長，但理解的東西比較深刻，即最終模型訓練的結果也會較好，評估階段置信度較高。
我遇到的問題是，前期precision很低，recall相對較高，檢視結果是**結果太多了，我的解決方法是提高nms階段的score_threshold，原本0.01我調整到0.1又調到0.05，最終發現0.05效果較好。
加更，nms階段的score_threshold可以繼續增加，也可以提公升一部分的map
更換優化器，即optimizer_name，可嘗試替換其他優化器，檢視效果
上述是我將kmeans應用到yolov3中，更換自己的anchors時，map一直很低，自己多次調整之後，總結的經驗。加油自己！離成功又近了一步~
如何確定容器內含有石墨的置信度
method 基於模糊置信庫的啟發式專家系統 eg.假設 原始值假定值 1 h,1 or h 1 0.5 m,1 or m 0.5 0 l,1 or l 0 輸入轉化 0.98 0.60.2 子規則庫1的推理 其他子規則庫的推理如上 通過cri rimer rimer brb的比較發現，rimer ...
如何理解目標檢測中的SSD
好記性不如爛筆頭。下面的第乙個4表示的是4個default box 與faster r cnn 和yolo不同，這裡是中心座標加上寬高 其中 classifer是通過3 3 4 classes 4 的卷積實現的，得到結果即是檢測的結果，然後將不同feature map的檢測結果放在一起。先過濾掉co...
如何提高訓練模型的準確率
1.dropout 使用dropout收斂變慢，正確率也下降，可能是我使用方法有問題。2.更換優化器，我一般選擇adam優化器，可以提高準確率，收斂速度。3.學習率 改為動態學習率下降有利於快速收斂 4.shuffle 可以明顯提高準確率。5.資料增廣 需要根據實際場景選擇合適的資料增廣方法，否則可...