前言
在之前的文章中我說過，如果你的Yolov3模型沒有錨框出現，最直接的解決發方案是降低閾值（產生框的門檻），但是這個方法治標不治本。（Yolov3訓練模型沒有框（理論上一定有用的解決方案））
今天，我帶大家來看一看，我們應該如何根治這個問題——提高模型的置信度。當我們訓練模型訓練精度大幅提升，執行度明顯提高時，即使設置的閾值很高，也一定可以生成錨框。
樣本容量
說到提高訓練的準確率，很多人的第一反應就是增加樣本的數量。但是今天我想告訴大家的是，這其實是大家的一個誤區，模型對事物的檢測能力和準確性在一定程度上，其實是兩個概念。
我們給計算機提供大量數據的時候，目的是讓計算機見識到更多的情況，就像是大家讀書的時候在刷題，你要題海戰術，這樣才能見到更多的題型，以後考試的時候見到各種各樣的題型就不慌了，你知道該怎麼去應付這種場景。
但是，大量地刷題只能表示你見過這種題型，這並不代表你對這種題型已經完全掌握了。現在我們遇到的就是這種情況，計算機做過這個題型，但是它並沒有掌握，所以在考試的時候，它給出的答案得分非常低，以至於低於你給定的顯示標準，所以錨框不會顯示。
在這樣的情況下，你餵給它再多的數據，錨框都不會出現的。
給定恰當的數據
你假如考試的時候想得高分，那麼你在平時刷題的時候就要選擇恰當的題目進行練習。
我舉個例子，假如你今天想要做人車識別，你就要先假設好場景，你究竟是要做城市裏面密密麻麻的人車，還是車展上目標很明顯的人車。
都市人車：
車展人車：
從圖像中，大家應該可以非常明顯地感受到，雖然都是人和車，但是這兩種情景下人車的外在特徵區別是很大的，你在給樣本的時候，如果把這兩種混在一起交給計算機訓練，不是說不可以，但確實是給計算機的學習帶來了很大的麻煩。特別是在你的樣本容量比較小的情況下，識別的效果肯定不會好。
再比方說，你給的汽車的樣式中，是完整的汽車和半個汽車，這對於人來說，人知道這都叫汽車，但計算機眼中，半個車和一個車長得區別很大哎。
比如大家對比一下上一張圖和下一張圖片：
調節 Batch_size
如果你給的樣本是ok的，但是訓練結果的置信度還是很低，那麼你需要去調整的就是batch_size的大小。
大家要明白batch_size到底的是幹什麼的，這個很重要！
我知道在很多人眼中，batch_size就是一次性取多少張圖片，但是你這樣的理解方式實在是太入門級別了。
我們調整參數，設置合適的訓練集的目的是爲了讓梯度朝着更加合理的方向下降，這纔是根本！
假如我們今天把batch_size調得很大，好處是，計算機可以一口氣了解這一組圖片的特徵，朝着一個大的方向進行梯度下降，這種做法可以使得迭代每一個世代的時間簡短，且loss值不容易被困在局部最小值出不來。
但是缺點也很明顯，第一是你的顯存夠不夠大，第二是由於太注重整體效果，對每一張圖片的訓練不夠仔細。這就像是你用很短的時間，一口氣做了很多張卷子，你心裏很清楚大概題型是怎麼樣的，但是你對於每一種題型的處理並沒有很好的理解。
在這樣的情況下，就很容易出現模型給出的置信度很低，以至於出不了錨框的現象。
在這樣的情況下，你應該減小batch_size的值，目的是每次訓練少一點的圖片，但是每一張圖片要訓練得更加仔細一些，這樣訓練出來的模型效果會有非常明顯地提升。但是缺點是訓練時間會比大batch_size明顯長很多。
總結
1、請先檢查一下你給出的樣本是否合適；
2、關注你生成錨框的閾值；
3、調節適當的Batch_size；
不同的電腦，不同的GPU，不同版本的CUDA、學習框架對Batch_size的適應程度是不一樣的，也許在別人的電腦上，這些參數的效果很好，而在你的電腦上就一塌糊塗。這些參數要靠大家一點一點去嘗試的。
祝大家學習愉快！
