跑YOLOv7遇到的问题_yolov7初始学习率

2023/12/14[第一次跑yolov7-tiny]

一，yolov7断点训练

由于云服务器磁盘空间不足，中断了训练，想要继续训练可以开启断点训练
1.打开train.py文件，找到resume参数行，将False改为True，
parser.add_argument(‘–resume’, nargs=‘?’, const=True, default=True, help=‘resume most recent training’)
2.设置weights权重为last.py
2.删除数据集中的.cache文件

二，如果YOLOv7训练期间val/obj_loss一直上升，可能是由以下原因导致的：

1. 数据集不平衡：如果数据集中某些类别数量较少，那么这些类别的物体可能被YOLO网络较少地训练，导致模型性能下降。

2. 学习率设置过高：学习率设置过高会导致模型训练不稳定，并可能导致val/obj_loss上升。

3. Batch size设置过高：Batch size设置过高也会导致模型训练不稳定，并可能导致val/obj_loss上升。

4. 训练集和验证集的分割不合理：如果训练集和验证集的分割不合理，那么验证集上的表现可能无法反映模型在实际场景中的表现。

5. 模型结构设计不合理：模型结构设计也可能导致val/obj_loss的上升，例如层数过深、过宽、非常规的激活函数等。

针对这些问题，可以采取以下措施：

1. 数据集平衡化：可以通过对数据集进行预处理，对样本数量较少的类别进行复制、数据增强等操作来平衡数据集。

2. 调整学习率和Batch size：可以通过多次实验，逐步调整学习率和Batch size，找到最优的设置参数。

3. 修改分割方式：可以通过调整训练集和验证集的分割比例，或者采用交叉验证等方法来减少验证集误差。

4. 修改模型结构：可以通过改变模型结构，例如增加或减少层数、改变激活函数等，来进一步改善模型性能。

需要注意的是，改变一个因素可能会对其他因素产生影响，所以在调整参数时需要谨慎，并进行充分的实验验证。