YOLO训练及数据采集注意事项

1. 数据采集

1.1 数据量与多样性

• 足够量级：一般至少几百到几千张高质量标注图片，越复杂的任务需求越大。

• 场景多样：覆盖各种光照、角度、背景、遮挡、距离等，避免模型过拟合单一场景。

• 目标尺度变化：包含各种大小的目标，尤其YOLO对小目标识别敏感。

1.2 数据标注质量

• 框标注准确：框必须紧贴目标，避免过大或漏标。

• 类别一致：类别定义要明确且一致，避免标签混淆。

• 标签平衡：类别不平衡可能导致模型偏向主流类别。

1.3 数据增强（Data Augmentation）

• 常见的增强手段包括：

  • 旋转、翻转

  • 缩放、裁剪

  • 颜色抖动（亮度、对比度、饱和度变化）

  • 混合增强（如 Mosaic，CutMix，MixUp） — YOLOv4、YOLOv5、YOLOv8常用，显著提升泛化。

• 结合目标特性设计增强，比如交通场景考虑天气模拟。

---

2. 训练准备

2.1 数据预处理

• 归一化：输入图像通常归一化到 [0,1]。

• 尺寸统一：YOLO通常需要固定输入尺寸（如640×640），需合理调整图片大小且保持比例，避免变形。

• 标签格式：YOLO通常使用相对坐标格式（中心点x,y，宽w，高h，归一化到[0,1]）。

2.2 模型初始化

• 预训练权重：使用COCO或ImageNet预训练权重作为起点，能显著加快收敛速度和提高精度。

• 冻结层数：初期可冻结部分层，仅训练后面层，后期再逐步解冻。

---

3. 训练过程注意点

3.1 超参数调节

• 学习率：关键参数，通常使用余弦退火、warm-up策略避免训练初期震荡。

• 批量大小：根据显存调整，过小会导致不稳定。

• 优化器：SGD动量或Adam常用，选择合适的优化器影响收敛。

• 损失权重：YOLO多任务损失（分类、定位、置信度），合理权重分配很重要。

3.2 正负样本平衡

• 防止正样本过少导致难收敛，或负样本过多导致泛化差。

• 可以采用Focal Loss减少易分类样本权重。

3.3 监控指标

• 除了loss，还需关注mAP（平均精度均值），特别是不同IoU阈值和各类别指标。

• 训练曲线平稳是收敛的表现，波动大需调整超参数。

---

4. 训练后的潜在改进点

4.1 标签清洗与样本难度排序

• 清理标注错误、模糊或异常样本。

• 根据难度对样本加权重，提升模型对困难样本的学习。

4.2 自定义数据增强策略

• 针对特定任务设计增强，避免破坏语义。

• 实验更多新颖增强手法（如Copy-Paste，AutoAugment等）。

4.3 网络结构调整

• 根据数据特性微调骨干网络或检测头。

• 轻量化网络如YOLOv8-nano，适合资源有限场景。

• 加强对小目标的检测（调整anchor、增加特征层）。

4.4 迁移学习与多任务训练

• 利用相关任务数据（如语义分割、关键点检测）联合训练，提高特征表达能力。

4.5 后处理优化

• NMS（非极大值抑制）阈值调节，避免漏检和重复检测。

• 尝试软NMS、DIoU-NMS等更先进方法。

---

5. 工程实战建议

• 持续收集和标注难例，不断扩充训练集，尤其模型弱点部分。

• 训练日志和可视化，方便分析模型弱点。

• 分阶段训练，先粗训练，再细调。

• 多次交叉验证，防止过拟合。

• 尝试不同超参数组合，用自动调参工具（如Optuna）提升效率。