YoloV5自定义再训练
YoloV5 Custom retraining
我在 yoloV5s 模型中训练了我的自定义数据集，我的推理准确率达到了 80%。现在我需要通过添加更多图像和标签来提高准确性。
我的问题是，我已经训练了 10,000 多个标签以达到 80%，我花了 7 个小时。 我是否需要将旧的 10,000 多个数据包含在我只有 1000 个的新数据中以训练和提高我的准确性？
即使我添加了新的 class，有什么方法可以仅包含新数据来重新训练模型？
我怎样才能节省时间和space？
你问的问题属于持续学习，这是当今一个活跃的研究领域。由于您需要向模型中添加更多 classes，因此您需要使用之前的数据添加新的 class 并从头开始重新训练模型。如果你不这样做，也就是说，你只训练新的 class，你的模型将完全忘记以前的数据（学习到的特征）；这种遗忘被称为灾难性遗忘。
许多人提出了各种方法来避免这种灾难性遗忘；我个人觉得Progressive Neural Network is highly immune to Forgetting. Apart from it, you can find other methods here
正如我所说，这是目前一个非常活跃的研究领域；没有完全证明的解决方案。目前，最好的方法是将新数据添加到以前的数据中并重新训练您的模型。
我在 yoloV5s 模型中训练了我的自定义数据集，我的推理准确率达到了 80%。现在我需要通过添加更多图像和标签来提高准确性。
我的问题是，我已经训练了 10,000 多个标签以达到 80%，我花了 7 个小时。 我是否需要将旧的 10,000 多个数据包含在我只有 1000 个的新数据中以训练和提高我的准确性？
即使我添加了新的 class，有什么方法可以仅包含新数据来重新训练模型？
我怎样才能节省时间和space？
你问的问题属于持续学习，这是当今一个活跃的研究领域。由于您需要向模型中添加更多 classes，因此您需要使用之前的数据添加新的 class 并从头开始重新训练模型。如果你不这样做，也就是说，你只训练新的 class，你的模型将完全忘记以前的数据（学习到的特征）；这种遗忘被称为灾难性遗忘。
许多人提出了各种方法来避免这种灾难性遗忘；我个人觉得Progressive Neural Network is highly immune to Forgetting. Apart from it, you can find other methods here
正如我所说，这是目前一个非常活跃的研究领域；没有完全证明的解决方案。目前，最好的方法是将新数据添加到以前的数据中并重新训练您的模型。