PaddleDetection常用配置参数_paddledetection需要的数据集大小一般是多少

YOLOv3为例

snapshot_iter: 2000 #建议设置为最大训练batch数除以50，即总共保存50个模型

use_fine_grained_loss: false	# 细粒度损失，在目标类别非常相近（例如任务为分辨狗的种类）的时候设为True

Max_Iters x Batch_Size = 训练集
Max_Epoch ÷ Batch_Size  = Max_Iters

使用单卡训练，将LearningRate.base_lr减小4倍至0.00025
1
2
3
4
5
6
7
8

修改训练轮数与学习率等参数：

• 根据训练集数量与总batch_size大小计算epoch数，然后将epoch数换算得到训练总轮数max_iters。milestones（学习率变化界限）也是同理。原配置文件中总batch_size=2*8=16（8卡训练），训练集数量约为12万张，max_iters=90000，所以epoch数=16x90000/120000=12。在AI识虫数据集中，训练集数量约为1700，在单卡GPU上训练，max_iters=12x1700/2=10200。同理计算milestones为: [6800, 9000]。

16(batch_size) x 90000(max_iters) / 120000(训练集) = 12(epoch)

12(epoch) x 1700(训练集) / 2(batch_size) = 10200(max_iters)
1
2
3

milestones中的参数一般是max_iters分别除以1.5和1.125得到

在使用ImageNet的预训练模型时，训练时使用1张卡，单卡batch_size=1, base_lr=0.00125，base_lr随着(batch_size * GPU卡数) 等比例变化。

1x表示训练12个epoch，1个epoch是将所有训练数据训练一轮。由于YOLO系列算法收敛比较慢，在COCO数据集上YOLO系列算法换算后约为270 epoch，PP-YOLO约380 epoch。

---

默认学习率是适配多GPU训练(8x GPU)，若使用单GPU训练，须对应调整学习率（例如，除以8）。 计算规则表如下所示，它们是等价的，表中变化节点即为piecewise decay里的boundaries: