前言
在之前的文章中我说过，如果你的Yolov3模型没有锚框出现，最直接的解决发方案是降低阈值（产生框的门槛），但是这个方法治标不治本。（Yolov3训练模型没有框（理论上一定有用的解决方案））
今天，我带大家来看一看，我们应该如何根治这个问题——提高模型的置信度。当我们训练模型训练精度大幅提升，执行度明显提高时，即使设置的阈值很高，也一定可以生成锚框。
样本容量
说到提高训练的准确率，很多人的第一反应就是增加样本的数量。但是今天我想告诉大家的是，这其实是大家的一个误区，模型对事物的检测能力和准确性在一定程度上，其实是两个概念。
我们给计算机提供大量数据的时候，目的是让计算机见识到更多的情况，就像是大家读书的时候在刷题，你要题海战术，这样才能见到更多的题型，以后考试的时候见到各种各样的题型就不慌了，你知道该怎么去应付这种场景。
但是，大量地刷题只能表示你见过这种题型，这并不代表你对这种题型已经完全掌握了。现在我们遇到的就是这种情况，计算机做过这个题型，但是它并没有掌握，所以在考试的时候，它给出的答案得分非常低，以至于低于你给定的显示标准，所以锚框不会显示。
在这样的情况下，你喂给它再多的数据，锚框都不会出现的。
给定恰当的数据
你假如考试的时候想得高分，那么你在平时刷题的时候就要选择恰当的题目进行练习。
我举个例子，假如你今天想要做人车识别，你就要先假设好场景，你究竟是要做城市里面密密麻麻的人车，还是车展上目标很明显的人车。
都市人车：
车展人车：
从图像中，大家应该可以非常明显地感受到，虽然都是人和车，但是这两种情景下人车的外在特征区别是很大的，你在给样本的时候，如果把这两种混在一起交给计算机训练，不是说不可以，但确实是给计算机的学习带来了很大的麻烦。特别是在你的样本容量比较小的情况下，识别的效果肯定不会好。
再比方说，你给的汽车的样式中，是完整的汽车和半个汽车，这对于人来说，人知道这都叫汽车，但计算机眼中，半个车和一个车长得区别很大哎。
比如大家对比一下上一张图和下一张图片：
调节 Batch_size
如果你给的样本是ok的，但是训练结果的置信度还是很低，那么你需要去调整的就是batch_size的大小。
大家要明白batch_size到底的是干什么的，这个很重要！
我知道在很多人眼中，batch_size就是一次性取多少张图片，但是你这样的理解方式实在是太入门级别了。
我们调整参数，设置合适的训练集的目的是为了让梯度朝着更加合理的方向下降，这才是根本！
假如我们今天把batch_size调得很大，好处是，计算机可以一口气了解这一组图片的特征，朝着一个大的方向进行梯度下降，这种做法可以使得迭代每一个世代的时间简短，且loss值不容易被困在局部最小值出不来。
但是缺点也很明显，第一是你的显存够不够大，第二是由于太注重整体效果，对每一张图片的训练不够仔细。这就像是你用很短的时间，一口气做了很多张卷子，你心里很清楚大概题型是怎么样的，但是你对于每一种题型的处理并没有很好的理解。
在这样的情况下，就很容易出现模型给出的置信度很低，以至于出不了锚框的现象。
在这样的情况下，你应该减小batch_size的值，目的是每次训练少一点的图片，但是每一张图片要训练得更加仔细一些，这样训练出来的模型效果会有非常明显地提升。但是缺点是训练时间会比大batch_size明显长很多。
总结
1、请先检查一下你给出的样本是否合适；
2、关注你生成锚框的阈值；
3、调节适当的Batch_size；
不同的电脑，不同的GPU，不同版本的CUDA、学习框架对Batch_size的适应程度是不一样的，也许在别人的电脑上，这些参数的效果很好，而在你的电脑上就一塌糊涂。这些参数要靠大家一点一点去尝试的。
祝大家学习愉快！
