YOLOv3 精度复现的训练技巧

1. 目标检测中的评价指标mAP

 目标检测中主要以mAP为评价指标，说到mAP，需提前了解TP、FP、FN、TN评价指标

TP：（实际为正样本，预测也为正样本）对ground-truth框正确的检测（分类正确 and 预测框体与GT框体的IOU大于预设的阈值（如果阈值是0.5，后面对应AP50））。

FP：（实际为负样本， 预测为正样本）对不存在的东西做了错的预测 or 预测框体与GT框体的IOU小于预设阈值。

FN：（实际为正样本，预测为负样本）漏检测。

TN：（实际为负样本，预测也为负样本）在目标检测里是不考虑TN的，因为他有无数个（一张图片可以画无数个框）。

AP值为 P - R 曲线的面积（横坐标为(召回率)， 纵坐标为P(精确率)）

举个例子，假设实际有真实标签有10个box，PR曲线为右图，曲线面积为AP值。

AP50 为 IOU预设的阈值为0.5 时的AP值，AP75 为  IOU预设的阈值为0.75AP值。

所以，可以得出AP50对应的TP值  要比 AP75对应的TP值要大， 所以同样条件下AP50的 P(精确率)  要比AP75的P(精确率) 大,  所以同样条件下，AP50一定大于AP75 。

mAP = (AP50 + AP55 + AP60 + AP65 + AP70 + AP75 + AP80 + AP85 + AP90 + AP95) / 10

以上的AP、mAP，均为单类AP，mAP，多类的精度指标为所有类别取平均。

2.复现精度所用的小trick。

（1）EMA测试

△w = -  [d (loss) / d(w) *  (1- momentum) +  w* momentum )]* lr

w = w + △w

w_ema = w_ema * ema_decay  + w * (1 – ema_decay)

多维护一个w_ema变量，计算loss用w计算，所以ema不影响训练。

self._config.moving_ave_decay = 0.9999

ema_decay值先小后大。  刚开始让w_ema多更新点。

(2) 最后一层初始化bias加负偏置

输出的85维  前四维box， 第五维  obj_conf   后80维 class_conf，目标检测真实框的数量有限，所以预测的置信度  应少数较高，其余地方均较低， bias加负偏置，配合这一点。

(3) 遇到分阶段训练时，如第一阶段只训练yolo_head, 第二阶段训练全部参数。

注意：两个阶段optimizer要用2个对象，否则第二阶段会继承第一阶段的维护的w_momentum变量,导致精度不达标。

(4)训练时loss极小概率出nan的情况， 大概率是分母没加epsilon,  计算iou那很大可能。