最近在训练到一批好的权重文件时 在公司的测试效果极其好 可是拿到现场测试不堪入目

工业视觉的优缺点：

优点：

        1.环境单一

         2.样本易收集

         3.针对样本出现的问题好解决

缺点：

         1.部分缺陷难检测

         2.更改环境容易误检
 

样本：速效救心丸的裂纹检测   

模型：YOLOV4 

框架： kears

最终训练的数量：5000+

因为是接手上一个人离职的原因  所以不要质疑我为什么要用这些模型、框架

首先分享一下我遇到的几种问题：

1.误检（首要问题）因为保密工作原因不可放出样本 望大家脑补

a.误检将瓶子的边缘还有反光的部分会误检成裂纹

b.环境误检成裂纹

解决方案的思路：

a. 误检的地方需要给他重新标注一个类去训练  

        更改后遗留的问题  极小一部分的边缘还是会误检   

         再次改进的地方      更改光源的强度已经光源的角度 以及光照位置

         最终测试结果        降低置信度的数值  检测三万个瓶子 有问题的瓶子370+  误检瓶子：26

                                          误检率不足百分之1  符合要求

b. 将环境涂黑 只留下需要检测的那一目标

        优点：不会再出现此类误检

        缺点： 会增加程序运行的时间（我们要求的时间 500毫秒内 最终测试结果440毫秒）

2.训练时遇到的问题

        a.训练集loss一直下降，测试集趋于不变

                解决方案： 模型过拟合了   增加数据量   打乱训练顺序   采用正则化（我这里不推荐使用earstoping 原因：数据比较难训练的迟迟降不下去他会早停 其实给模型一点时间）

        b. 不管训练集还是测试集的acc都是不足百分之2

                解决方案： 我目前没有找到问题出现在哪里  但是实际测试效果确实很好 我觉得关样本难易训练的原因

        c.在原有基础上多加了一类，并接着上次断点的权重训练报维度错误

                解决方案：  用预训练模型重新训练  不能偷不该偷的懒

         d. 权重 .h5文件转.weight权重后 部署C++没有测试效果

                解决方案：  需要把cfg配置文件中 三个yolo里面的anocher框的数值更改成自己kmeans聚类得来的数值

         e. 比对好xml内容

                例如：xml文件对应图片的路径是否正确    xml与图片数量不符的查找与删除等   

分享感受：

运行机械的设备时 可能 是我不注意碰坏了一个机械臂   当晚就告诫自己 以后运行设备需要多检查几次设备是否复位成功了   

        调试是真的累  起的比鸡早 睡的比狗晚  时时刻刻都是当机械的测试

光源一定要弄成可数字调控光源 这样会节省不少事情  不要嫌弃贵！！！！！  

慎重啊 ！！ 一入深度学习深似海，从此头发是路人