yolov8(yolov5)增量训练数据集的划分建议

对于yolo模型的训练，每次增加了数据集，希望利用上次训练的最好权重，作为初始化权重进行训练

这种做法被称为”增量训练”(Incremental Training),它有以下好处:

1. 减少过拟合：使用上一次训练的权重作为初始化,可以继续在原有的模型基础上进行优化,避免模型快速过拟合新的训练集。

2. 加速训练：使用预训练的模型权重,可以直接继续优化已有的网络结构,无需从随机初始化的权重开始训练,所以可以大大减少训练时间。

3. 提高最终模型性能：通过多次增量训练,可以逐步优化模型,达到更好的性能。如果每次都从零开始训练,很难达到同样的效果。

结论

根据 https://github.com/ultralytics/yolov5/issues/6419
和 https://community.ultralytics.com/t/how-to-combine-weights-to-detect-from-multiple-datasets/38/54

的讨论，可以得出如下结论：

• 增量训练的数据集需要包含原始数据样本和新增数据样本，而不只是新的样本，避免 Catastrophic interference（灾难遗忘）的出现

• 如果有新增或减少类别（Classes），则最好重头开始训练

目录划分

根据以上结论，如果本次数据集配置为

path: ../datasets/coco128 
train: 
  - images/train2017 
val: 
  - images/train2017
nc: 80
name : [ 80 classes ]

则增量训练配置

path: ../datasets/coco128   
train: 
  - images/train2017  
  - images/train # new class
val:  
  - images/train2017  
  - images/train # new class
nc: 81
name : [ 81 classes ]

也就是在数据集目录（上例中的/coco128/images）下，为每次增量训练的数据样本划分一个新的目录。

从而确保满足每次训练都包含原始和新增数据样本的要求。并且方便灵活调整本次新增样本中，训练样本和验证样本的划分比例 —— 由于样本划分对训练结果有一定的影响，可能需要多次调整尝试，对比结果保留最优的模型。

这样的好处是：可以确保每次迭代训练时，加入的训练集是相对最优的。同时，如果需要调整类别数，从头训练，使用的数据集依然是划分最合理的。减少从头训练导致的结果不确定性。

---

为您推荐

• ChatGPT？我来考考你