YOLOv3訓練過程中出現過擬合現象的解決方法

遇到問題：用YOLO訓練自己的資料集，在訓練集圖片上，測試效果很好，換成測試集圖片或者其他圖片，測試效果極差。而且10000次就開始收斂了，然後又繼續訓練到50000次，這個過程Loss值一直穩定0.1左右，不再下降——經過查閱資料，最大可能性就是過擬合了。
（一）過擬合現象
有時我們發現，模型在訓練集上效果很好，但是在測試集上效果不好，這種現象稱為過擬合

（二）解決辦法
1.增加樣本資料量
2.資料增強，人為擴充套件資料量
3.正則化： 正則化之所以能夠降低過擬合的原因在於，正則化是結構風險最小化的一種策略實現。 給loss function加上正則化項，能使得新得到的優化目標函式h = f+normal，需要在f和normal中做一個權衡，如果還像原來只優化f的情況下，那可能得到一組解比較複雜，使得正則項normal比較大，那麼h就不是最優的，因此可以看出加正則項能讓解更加簡單，通過降低模型複雜度，得到更小的泛化誤差，降低過擬合程度。
4.Dropout： 在前向傳播時，某個神經元的啟用值以一定的概率p停止工作，隨機地刪除網路中的一般隱藏的神經元，這樣可以使模型泛化性更強，因為它不會太依賴某些區域性的特徵，從而解決過擬合問題 一般取值為0.3或0.5 。
5.early stopping 在訓練中計算模型在驗證集上的表現，當模型在驗證集上的表現開始下降的時候，停止訓練，這樣就能避免繼續訓練導致過擬合的問題 。

既然出現過擬合，嘗試用前幾次儲存下來的權重測試一下，不用最終的權重。是不是前面儲存的權重效果可能會好點呢？

驗證一下：發現測試效果並不好。
（三）經驗之談
不能檢測出自己的資料集，是指訓練集還是測試集，一般理解肯定是自己的測試集，那麼有兩種可能，一種是你的網路過擬合了，第二種是訓練集和測試集幾乎沒有關聯性。
假設1：用訓練集A訓練，之後檢測訓練集A中的資料，發現不能檢測。演算法完全沒有學習，甚至都沒有出現過擬合，可能是訓練資料不足、學習率過大等問題導致的。
假設2：用訓練集A訓練，之後檢測測試集B中的資料，發現不能檢測。可能性1：訓練集A和測試集B中的資料關聯性不強，YOLO沒能很好的將從訓練集A中的學習到的檢測能力擴充套件到測試集B上。可能性2：假設1中提到的問題。可能性3：需要檢測的目標在圖片中佔據區域較小，因為YOLO是將圖片分成13*13（應該是吧）個格子，每個格子進行預測的，每個格子對應預測影像中一定區域內是某個目標的可能性。當目標只佔據一個格子的很小區域時，預測的可信度不高，也就預測不出來。