Machine learning fizyr使用维甲酸进行汽车损伤检测的过度拟合（回归和分类）

我试图检测汽车图像上的损伤类型（划痕、凹痕、裂纹）及其边界框。我在fizyr的视网膜网上训练过这个，但这个模型太过合适了。在训练中我得到了0.89的mAP，而在测试中我只得到了0.07的mAP。 我使用了1200张图片进行培训和350次测试，细节如下所述

-Training result
-22 instances of class rusted with average precision: 0.7371
-93 instances of class missing with average precision: 0.9160
-517 instances of class major dent with average precision: 0.9461
-1201 instances of class scratch with average precision: 0.9356
-84 instances of class tear with average precision: 0.8001
-470 instances of class minor dent with average precision: 0.9523
-435 instances of class cracked with average precision: 0.9276
-mAP using the weighted average of precisions among classes: 0.9329
-mAP: 0.8879

Test
-3 instances of class rusted with average precision: 0.0000
-13 instances of class missing with average precision: 0.0874
-160 instances of class major dent with average precision: 0.1057
-318 instances of class scratch with average precision: 0.1434
-27 instances of class tear with average precision: 0.0462
-111 instances of class minor dent with average precision: 0.0205
-127 instances of class cracked with average precision: 0.1159
--mAP using the weighted average of precisions among classes: 0.1079
mAP: 0.0742

---

我知道课程是不平衡的，但测试和训练之间有如此巨大的差异。另外，该模型在scratch课程中表现不佳，该课程有大量的培训示例。

是的，您的课程是不平衡的，但您有足够的图像，您应该做得更好。您是如何选择列车/测试分区的？结果表明，存在随机化问题。无论选择了什么，您的模型都在学习错误的分类标准

这让我想起了狗/猫模型，它学会了辨别人们拍摄宠物的背景

首先，尝试旋转或洗牌您的训练和测试集。你能在这个应用程序中使用交叉验证吗？单凭这一点就可以解决你的问题

---

如果做不到这一点，你能改变模型吗？也许包括一个退出层？这将有助于消除无效假设。

是的，你的课程是不平衡的，但你有足够的图像，你应该做得更好。您是如何选择列车/测试分区的？结果表明，存在随机化问题。无论选择了什么，您的模型都在学习错误的分类标准

这让我想起了狗/猫模型，它学会了辨别人们拍摄宠物的背景

首先，尝试旋转或洗牌您的训练和测试集。你能在这个应用程序中使用交叉验证吗？单凭这一点就可以解决你的问题

如果做不到这一点，你能改变模型吗？也许包括一个退出层？这将有助于我们了解无效的假设