低精度、低地图的yolo训练

Question

我正在使用 YOLOv5 训练模型来识别纸牌游戏中的纸牌。我从预训练的模型 yolov5s.pt 开始，我的数据集包含 138 张图像。然而，在训练过程中，准确率和 mAP 非常低，分别从 2.35e-05 和 2.27e-05 开始，经过 80 个 epoch，仅达到 0.0169 和 0.0547。

我不知道问题出在哪里。有人可以帮助我吗？

这是训练批次图像和输出表的图片。

顺便说一句，我只想识别出牌而不是手牌。

我尝试过更改批量大小等。但变化不大。

Answer 1

我对 YOLOv5 帮不了什么忙。 我维护并使用 Darknet/YOLO，它比 Ultralytics/Roboflow 和其他基于 Python 的 YOLO 框架更快、更精确。

但我确实有 YouTube 视频，其中讨论了使用 YOLO 来检测扑克牌。 无论您使用哪个版本的 YOLO 或框架，其中一些内容都适用于您。

注意事项：

• 调整网络规模非常重要：https://www.youtube.com/watch?v=m3Trxxt9RzE
• 如果您的网络大小不正确，会发生什么（这可能可以解释您所看到的结果）：https://www.youtube.com/watch?v=wcW7OrKaYiA
• 上下文很重要——为什么边界框之外的东西也很重要：https://www.youtube.com/watch?v=auEvX0nO-kw

另请参阅 YOLO 常见问题解答：https://www.ccoderun.ca/programming/yolo_faq/

您没有提及您是如何设置课程的。 你们有针对所有 52 张卡片的课程吗？ 或者您有 A-to-K，然后是 4 组，然后您计划将它们组合起来制作一张牌？ 无论哪种方式，只有 138 个训练图像似乎并不算多，但特别是如果您使用第一个选项和 52 个类别，那么这意味着每张卡只有 2 个示例，这是不够的。 请参阅：https://www.ccoderun.ca/programming/yolo_faq/#how_many_images