Повышение точности набора данных FlickrLogos32 с помощью YOLO [закрыто] ⇐ Python

[Anonymous]

Я тренировался на наборе данных FlickrLogos32 с использованием модели YOLOv9, но с трудом могу добиться точности выше 85 %. Моя цель — достичь точности не менее 90%. Ниже приведены результаты моих различных тренировок:

Код: Выделить всё

35 epochs: Precision P: 0.812, mAP50: 0.699
300 epochs: Precision P: 0.852, mAP50: 0.748
750 epochs with patience=100 (best model at epoch 650): Precision P: 0.848, mAP50: 0.736

Для всех этих тренингов я использовал небольшую модель YOLOv9 по умолчанию со следующим кодом:

Код: Выделить всё

import os
from ultralytics import YOLO

model = YOLO("yolov9s.pt")

results = model.train(data=os.path.join(ROOT_DIR, "flickr_setup.yaml"), epochs=300, save_period=10)

После этих прогонов я начал экспериментировать с увеличением данных и скорректировал некоторые гиперпараметры. Вот конфигурация, которую я пробовал:

Код: Выделить всё

results = model.train(
data=os.path.join("/content/gdrive/My Drive/YOLO/FlickrLogos32", "flickr_setup.yaml"),
epochs=600,  # More epochs for fine-tuning
imgsz=640,   # Larger image size
save_period=5,
batch=32,     # Increased batch size
workers=8,
lr0=0.0025,   # Lower initial learning rate
cos_lr=True,  # Cosine learning rate schedule
mosaic=1,
mixup=0.1,    # Reduced mixup intensity
erasing=0.3,  # Reduced erasing intensity
dropout=0.2,  # Increased dropout
box=5.0,      # Lower box loss weight
cls=0.5,      # Lower classification weight
warmup_epochs=5,
augment=True,
patience=30,
)

Однако с этими параметрами обучение остановилось на эпохе 179 с результатом проверки:
BoxP: 0,834
Вот показатели после обучения:
введите здесь описание изображения
Мой вопрос:
Что я могу улучшить, чтобы повысить эффективность этого тренинга? Можно ли достичь точности выше 85 % в этом наборе данных или 83–85 % — это лучшее, что я могу ожидать от FlickrLogos32?

Подробнее здесь: https://stackoverflow.com/questions/792 ... -with-yolo