離線增強 ：直接對資料集進行處理，資料的數目會變成增強因子 x 原資料集的數目 ，這種方法常常用於資料集很小的時候
2.1 warmup：
訓練初期由於離目標較遠，一般需要選擇大的學習率，但是使用過大的學習率容易導致不穩定性。所以可以做乙個學習率熱身階段，在開始的時候先使用乙個較小的學習率，然後當訓練過程穩定的時候再把學習率調回去。e.d., yolo v5, effcientdet,…
\dots
… 2.2學習率衰減策略：
2.3 label smoothing:
one-hot 帶來的問題：(容易過度自信，導致過擬合)
對於損失函式，我們需要用**概率去擬合真實概率，而擬合one-hot 的真實概率函式會帶來兩個問題：
1)無法保證模型的泛化能力，容易造成過擬合；
全概率和0概率鼓勵所屬類別和其他類別之間的差距盡可能加大，而 由梯度有界可知，這種情況很難adapt。會造成模型過於相信**的類 別。
label smoothing 增加了模型的泛化能力，一定程度上防止過擬合。
做法：標籤中不再只有0,1
0,10,
1，可以是0.6，0.99，之類
2.4 k-fold交叉驗證
模型選擇，模型選擇超參
測試方式
3.1nms（非極大值抑制）
同乙個物體可能有好幾個框，我們的目標是乙個物體只須保留乙個最優的框：於是我們就要用到非極大值抑制，來抑制那些冗餘的框： 抑制的過程是乙個迭代-遍歷-消除的過程。
3.2 soft nms
不要粗魯地刪除所有iou大於閾值的框，而是降低其置信度
在nms過程中採用diou的計算方式替換了iou，由於diou的計算考慮到了兩框中心點位置的資訊，故使用diou進行評判的nms效果更符合實際，效果更優。
3.3 diounms
在nms過程中採用diou的計算方式替換了iou，由於diou的計算考慮到了兩框中心點位置的資訊，故使用diou進行評判的nms效果更符合實際，效果更優。
通用目標檢測
tensorlow object detection 目標檢測系列一些資料 使用tensorflow object detection api進行物體檢測 使用tensorflow object detection api訓練自己的資料 tensorflow訓練模型庫 國外論壇教你一步一步訓練自己的...
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...
演算法的trick 目標檢測演算法中的常見trick
目標檢測演算法中的常見trick 最近忙著打比賽，感覺看 也很難靜下心來了。基本上看得相當匆忙，主要還是以應用為主。上週壓力比較大，沒有來得及更新，感覺再不更就說不過去了。因為比賽比較追求performance，所以想著把以前看到的一些trick或者還不夠了解的trick稍作整理，以後發現新的就更新...