yolov5自定义模型训练目标类对象的最佳数量

Question

我正在尝试训练自定义对象检测器，对 yolov5 架构可以训练的目标类对象的数量是否有限制。 例如——coco 数据集有 80 个目标类，假设我要检测 500 个对象类型，是否建议使用 yolov5。

这可以解释原因吗？

Answer 1

您可以向任何网络添加任意数量的课程。 yolo 架构以更加关注推理时间而不是性能而闻名。虽然在常规数据集上取得了不错的效果，但 yolo 模型是为速度而构建的。

但本质上，您需要一个具有良好主干（深而宽）的网络，可以真正从您的图像中获得丰富的特征。

根据我的经验，确实没有直截了当的答案。如果您要检测大/中/小对象，这也取决于您的数据集。我真的建议尝试不同的模型，因为每个模型在自定义数据集上的表现都会不同。从这里你选择最好的。最先进的模型与迁移学习和微调的最佳模型没有直接关系。

对我来说，Yolo 和所有其他单次检测器是最适合微调目的的（RetinaNet 迄今为止最适合我的用例），它们非常适合超参数调整，因为您可以训练它们快速测试什么有效，什么无效。使用两阶段检测器（Faster-RCNN 等）我从来没有取得整体良好的结果，主要是因为训练过程不同而且慢得多。

我建议您阅读此article，它解释了架构类型、优缺点。

此外，如果您想为超过 500 个类别训练模型，Tensorflow 对象检测 API 具有针对 OpenImages 数据集（600 个类别）的预训练模型，并且 LVIS 数据集（1200 个类别）上有 Detectron 2。如果您想微调到数据集中相似数量的类，我建议您从在更多类上训练的模型开始。