跳到主要内容

训练参数

训练代数​

训练代数默认12，不建议修改。

批量大小​

分类默认批量大小32，检测类模型批量大小默认2。

当图像尺寸比较大时（比如2048），可以适当降低批量大小，避免爆显存导致训练时间过长。

爆显存示意图：

学习率​

实例分割模型默认学习率为 0.001；通常不需要调整，但是当 loss 曲线比较震荡时，可以考虑降低学习率，通常减低为 0.0005 或 0.0001。

训练 loss 不稳定​

下图可以看到 loss 出现了“插针”的现象，突然变很高，又回归正常。

震荡的 Loss 曲线⤵️：

alt text

平稳的 Loss 曲线： alt text

训练 Loss NaN​

AI 模型在训练过程中，可能存在损失函数（Loss）的计算结果变成非法数值（如NaN、inf等），导致训练崩溃的现象。

造成 Loss NaN 可能的原因：

  • ○训练数据中存在过多重复数据，重复数据可能导致模型在训练过程中对某些特征过度敏感，梯度在反向传播时不断累积，最终数值溢出。
  • 标注中存在异常，如多边形越界，多边形交叉等。

✔️ 解决方法：​

  • 检查是否存在非法多边形，如多边形越界，多边形交叉等；
  • 对数据集去重或重采样，删除重复数据，降低数据倍增参数；
  • 增加数据增强（Data Augmentation）提高多样性；
  • 调整权重衰减参数；默认值 0.0001，可调整为 0.01；

下图可以看到，训练 loss 走到第4代之后，就nan了，之后模型无法回归正常。

alt text

使用OK图训练​

当我们做缺陷检测时，经常会遇见过检的情况，也就是将OK图检测为NG。这时就需要告诉模型，哪些是OK，让模型学习OK不应该检出结果。

过检现象​

下图是一个气球检测模型，在浴缸内检测到假气球，也就是过检：

准备OK数据​

当需要启动OK图训练时，我们要在数据集根目录内创建名为 OK 的文件夹，并且将过检图片放在这个文件夹内。

注意，不要将任何有目标物体的数据放在这个文件夹中，否则可能会造成漏检问题。

使用OK图训练​

在启动训练时，勾选使用OK图训练：

降过检效果​

启动降过检之后，模型不会检出气泡：