遇到问题：用YOLO训练自己的数据集，在训练集图片上，测试效果很好，换成测试集图片或者其他图片，测试效果极差。而且10000次就开始收敛了，然后又继续训练到50000次，这个过程Loss值一直稳定0.1左右，不再下降——经过查阅资料，最大可能性就是过拟合了。

（一）过拟合现象

有时我们发现，模型在训练集上效果很好，但是在测试集上效果不好，这种现象称为过拟合

（二）解决办法

1.增加样本数据量

2.数据增强，人为扩展数据量

3.正则化： 正则化之所以能够降低过拟合的原因在于，正则化是结构风险最小化的一种策略实现。 给loss function加上正则化项，能使得新得到的优化目标函数h = f+normal，需要在f和normal中做一个权衡，如果还像原来只优化f的情况下，那可能得到一组解比较复杂，使得正则项normal比较大，那么h就不是最优的，因此可以看出加正则项能让解更加简单，通过降低模型复杂度，得到更小的泛化误差，降低过拟合程度。

4.Dropout： 在前向传播时，某个神经元的激活值以一定的概率p停止工作，随机地删除网络中的一般隐藏的神经元，这样可以使模型泛化性更强，因为它不会太依赖某些局部的特征，从而解决过拟合问题 一般取值为0.3或0.5 。

5.early stopping 在训练中计算模型在验证集上的表现，当模型在验证集上的表现开始下降的时候，停止训练，这样就能避免继续训练导致过拟合的问题 。

既然出现过拟合，尝试用前几次保存下来的权重测试一下，不用最终的权重。是不是前面保存的权重效果可能会好点呢？

验证一下：发现测试效果并不好。

（三）经验之谈

  1. 不能检测出自己的数据集，是指训练集还是测试集，一般理解肯定是自己的测试集，那么有两种可能，一种是你的网络过拟合了，第二种是训练集和测试集几乎没有关联性。
  2. 假设1：用训练集A训练，之后检测训练集A中的数据，发现不能检测。算法完全没有学习，甚至都没有出现过拟合，可能是训练数据不足、学习率过大等问题导致的。
    假设2：用训练集A训练，之后检测测试集B中的数据，发现不能检测。可能性1：训练集A和测试集B中的数据关联性不强，YOLO没能很好的将从训练集A中的学习到的检测能力扩展到测试集B上。可能性2：假设1中提到的问题。可能性3：需要检测的目标在图片中占据区域较小，因为YOLO是将图片分成13*13（应该是吧）个格子，每个格子进行预测的，每个格子对应预测图像中一定区域内是某个目标的可能性。当目标只占据一个格子的很小区域时，预测的可信度不高，也就预测不出来。