YOLOv12 bietet einen mehrschichtigen Schutz gegen Überanpassung, ein häufiges Problem beim maschinellen Lernen:
1) Strategie auf Datenebene::
- Achten Sie darauf, dass es ≥1000 Proben pro Kategorie gibt und dass die Szenen gleichmäßig verteilt sind.
- Aktivieren Sie den Parameter -augment, um die gesamte Datenerweiterungskette zu aktivieren
- MixUp- und CutMix-Erweiterungen hinzufügen (hyp.yaml ändern)
2. die Kontrolle der Modellstruktur::
- Wählen Sie die Modellgröße entsprechend dem Datenvolumen (Nano/Small für kleine Datensätze)
- Dropout-Schicht hinzufügen (models/yolov12.yaml ändern)
- Glättung von Bezeichnungen aktivieren (label_smoothing=0.1 in hyp.yaml setzen)
3. die Überwachung des Ausbildungsprozesses::
- Setzen Sie -val-skip=5, um alle 5 Runden zu validieren.
- Beobachten Sie die Zug/Val-Verlust-Kurve auf Divergenz
- 当map@0.5连续10轮无提升时早停
4) Regularisierungstechniken::
- Anpassung von weight_decay=0,0005 zur Kontrolle der regulären L2-Stärke
- Verwendung der stochastischen Gewichtsmittelung (SWA)
- EMA-Abschwächungsfaktor auf 0,999 gesetzt
Die K-fache Kreuzvalidierung (K=5 wird empfohlen) kann in der Validierungsphase verwendet werden, um sicherzustellen, dass die Generalisierungsfähigkeit des Modells dem Standard entspricht.
Diese Antwort stammt aus dem ArtikelYOLOv12: ein Open-Source-Tool für die Echtzeit-Erkennung von Bild- und VideozielenDie
Darf nicht ohne Genehmigung vervielfältigt werden:KI-Produktivitätswerkzeuge " Wie lassen sich Probleme bei der Überanpassung während des YOLOv12-Trainings vermeiden?
Deutsch 
简体中文 
English 
日本語 
Português do Brasil