图像分类模型如何提升效果

一个模型很难一次性就训练到最佳的效果，可能需要结合模型评估报告和校验结果不断扩充数据和调优。

为此我们设计了模型迭代功能，即当模型训练完毕后，会生成一个最新的版本号，首次V1、之后V2……以此类推。可以通过调整训练数据、算法和训练参数，多次训练，获得更好的模型效果。

注意：如果模型已经发布（生成模型文件），依然支持模型迭代。只需要在训练完毕后发布新的版本，就可以获得更新后的模型服务。

想要提升模型效果，可以尝试以下两种方法：

• 1.检查并优化训练数据

检查是否存在训练数据过少的情况，建议每个类别的图片量不少于100个，如果低于这个量级建议扩充。 检查不同类别的数据量是否均衡，建议不同分类的数据量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 检查测试模型的数据与训练数据的采集来源是否一致，如果设备不一致、或者采集的环境不一致，那么很可能会存在模型效果不错但实际测试效果较差的情况。针对这种情况建议重新调整训练集，将训练数据与实际业务场景数据尽可能一致。

• 2.尝试不同的训练配置

可前往训练配置页面尝试不同的配置组合，因不同数据集在不同的算法上可能表现不一致，所以建议您多尝试不同的算法选型后综合挑选精度最高的模型使用，你可以选择如下的配置项：

• 增加训练集数据量
• 自定义验证集
• 增加输入图片分辨率
• 增加迭代次数epoch
• 根据loss曲线调整学习率learning rate
  调整以上数据集或者训练参数，新增训练版本并训练，后对比模型效果，选择最优模型参数。