介绍
- 数据集：
- （1）外卖：
| 数据集版本 | 数据集信息 |
|---|---|
| waimaiV0.1 | 低点位数据：标签（’ele’: 1, ‘meituan’: 0, ‘other’: 2, ‘person’: 3） 训练集(212440条)：http://pqemz4kka.bkt.clouddn.com/xuhuiwaimai/waimaitrainv0.3.json；测试集(6676条)：http://pqemz4kka.bkt.clouddn.com/xuhuiwaimai/waimaivalv0.1.json |
| waimaiV0.2 | 低点位数据：标签（’ele’: 1, ‘meituan’: 0, ‘other’: 2, ‘person’: 3） 训练集(213479条)：qiniu:///supredata-internal-video/surveillance/xuhui/crops/201906/traindata/waimaitrainv0.4_213479.json；测试集(6676条)：http://pqemz4kka.bkt.clouddn.com/xuhuiwaimai/waimaivalv0.1.json |
| waimaiV0.2.2 | 加入每日徐汇现场返还数据，{waimaitrainv0.4_origin_89267+waimai0604-true-1560130072002+waimei0603_1-true-1560130054572} 更新训练集(218533条)：qiniu:///supredata-internal-video/surveillance/xuhui/crops/201906/traindata/waimai0610_train_218533.json (lmdb_waimaitrain0610) 测试集不变。 |
| waimaiV0.2.3 | 标签（’meituan’: 0,’ele’: 1, ‘other’: 2, ‘person’: 3） 重新整理打标了waimaiV0.2.2中的训练集。 训练集（229896）：qiniu:///supredata-internal-video/surveillance/xuhui/crops/201906/traindata/waimai0625_train229896.json (lmdb_waimaitrain0625) 测试集（6676）：qiniu:///supredata-internal-video/surveillance/xuhui/crops/201906/traindata/waimaivalv0.3_update-0.2.json （lmdb_waimaival0.2） |
- （2）大小车：
| vehicleV0.1_test | 低点位数据：标签（’bus’: 0, ‘car’: 1, ‘muck-truck’: 2, ‘pick-up’: 3, ‘truck’:4, ‘light-bus’:5） 训练集(229394条)：qiniu:///supredata-internal-video/surveillance/xuhui/crops/201906/traindata/vehicle_train0.1_229394.json； 验证集(1200条)：qiniu:///supredata-internal-video/surveillance/xuhui/crops/201906/traindata/vehicle_val0.1_1200.json |
| vehicleV0.1 vehicleV0.1_update |
大小车：标签 {‘car’: 0, ‘pick-up’: 1, ‘light-bus’: 2, ‘bus’: 3, ‘truck’:4, ‘muck-truck’:5} 训练集(231541条)：qiniu:///supredata-internal-video/surveillance/xuhui/crops/201906/traindata/vehicle_train0.2_231541.json 验证集(1200条)：qiniu:///supredata-internal-video/surveillance/xuhui/crops/201906/traindata/vehicle_val0.2_1200.json 测试集重新整理更新(1200条)：qiniu:///supredata-internal-video/surveillance/xuhui/crops/201906/traindata/0610vehicle_val_update0606_1200.json. (lmdb_vechicle_val0.22) |
- 训练
- （1）外卖分类：
| 训练日期 | 训练数据集 | 基础模型 | 默认参数 | 调整参数 | 训练结果 |
|---|---|---|---|---|---|
| 06-03 | waimaiV0.2 | resnet18_112 | epochs: 50 train_batch: 256 test_batch: 200 base_lr: 0.1 lr_schedule: [20, 30, 40] gamma: 0.1 momentum: 0.9 weight_decay: 0.002 fix_bn: False num_classes: 6 base_size: [128,128] crop_size: 112 dropout: 0.5 |
/ | best_acc：90.15% {‘ele’: 91.446, ‘meituan’: 87.075, ‘other’: 91.315, ‘person’: 87.508} |
| 06-04 | waimaiV0.2 | resnet18_112 | / | alpha=0.2 (mixup) |
best_acc：90.97% {‘ele’: 90.020, ‘meituan’: 90.476, ‘other’: 89.732, ‘person’: 90.684} |
| 06-05 | waimaiV0.2 | glore_resnet18_112 | / | / | best_acc：90.94% {‘ele’: 89.206, ‘meituan’: 88.435, ‘other’: 90.747, ‘person’: 89.554} |
| 06-11 | waimaiV0.2.1 | resnet18_112 | / | / | best_acc：91.02 % {‘meituan’: 90.47, ‘ele’: 90.63, ‘other’: 91.39, ‘person’: 89.27} |
| 06-11 | waimaiV0.2.1 | resnet18_112 | / | base_lr=0.01 | best_acc：91.02 % {‘meituan’: 90.47, ‘ele’: 90.63, ‘other’: 91.39, ‘person’: 89.27} |
| 06-12 | waimaiV0.2.1 | resnet18_112 | / | base_lr=0.01 alpha=0.2 |
best_acc：90.96% {‘meituan’: 87.75, ‘ele’: 91.03, ‘other’: 89.04, ‘person’: 94.01} |
| 06-12 | waimaiV0.2.1 | resnet18_112 | / | base_lr=0.01 alpha=0.8 |
best_acc：91.32% {‘meituan’: 92.97, ‘ele’: 92.87, ‘other’: 90.13, ‘person’: 91.63} |
| 06-13 | waimaiV0.2.1 | glore_resnet18_112 | / | base_lr=0.01 alpha=0.8 |
best_acc：91.08% {‘meituan’: 90.47, ‘ele’: 91.03, ‘other’: 90.82, ‘person’: 91.57} |
| 06-13 | waimaiV0.2.1 | efficientnet_b0_9 | / | base_lr=0.01 | best_acc：87.41% {‘meituan’: 90.70, ‘ele’: 91.24, ‘other’: 84.57, ‘person’: 90.07} |
| 06-14 | waimaiV0.2.1 | efficientnet_b0 | / | base_lr=0.01 train_batch= 128 base_size: [256,256] crop_size: 224 pretrained=efficientnet_b0(官方) |
bast_acc=77.41% {‘meituan’: 73.01, ‘ele’: 82.07, ‘other’: 70.17, ‘person’: 86.46} |
| 06-14 | waimaiV0.2.1 | efficientnet_b0 | / | base_lr=0.001 train_batch= 128 base_size: [256,256] crop_size: 224 pretrained=efficientnet_b0(官方) |
bast_acc=92.50% {‘meituan’: 89.34, ‘ele’: 95.72, ‘other’: 89.20, ‘person’: 94.28} |
| 06-15 | waimaiV0.2.1 | efficientnet_b0 | / | base_lr=0.001 train_batch= 128 base_size: [256,256] crop_size: 224 pretrained: 14_waimai_efficientnet-b0_10e_92.50.pth.tar |
bast_acc=92.43% {‘meituan’: 90.93, ‘ele’: 94.50, ‘other’: 90.82, ‘person’: 92.18}。 |
| 06-17 | waimaiV0.2.1 | efficientnet_b0 | / | base_lr=0.0001 train_batch= 128 base_size: [256,256] crop_size: 224 pretrained: 14_waimai_efficientnet-b0_10e_92.50.pth.tar |
bast_acc=92.52% {‘meituan’: 90.47, ‘ele’: 95.72, ‘other’: 90.46, ‘person’: 93.12}。 |
| 06-18 | waimaiV0.2.2 | resnet18_112 | / | base_lr=0.001 | bast_acc=92.55% {‘meituan’: 92.89, ‘ele’: 94.41, ‘other’: 94.86, ‘person’: 90.20} |
| 06-18 | waimaiV0.2.2 | resnet18_112 | / | base_lr=0.001 alpha=0.8 |
bast_acc=93.64% {‘meituan’: 93.78, ‘ele’: 94.14, ‘other’: 94.72, ‘person’: 90.84} |
| 06-18 | waimaiV0.2.2 | resnet18_112 | / | base_lr=0.001 train_batch= 128 base_size: [256,256] crop_size: 224 |
bast_acc=93.27% {‘meituan’: 92.89, ‘ele’: 92.55, ‘other’: 93.74, ‘person’: 90.84} [[ 314 0 19 5] [ 1 348 27 0] [ 8 6 2008 120] [ 16 20 220 3022]] |
| 06-19 | waimaiV0.2.2 | resnet18_112 | / | base_lr=0.001 train_batch= 128 base_size: [256,256] crop_size: 224 alpha：0.8 |
bast_acc=94.18% {‘meituan’: 94.97, ‘ele’: 96.80, ‘other’: 94.91, ‘person’: 91.67} [[ 321 0 13 4] [ 0 364 11 1] [ 11 6 2033 92] [ 13 23 237 3005]] |
| 06-24 | waimaiV0.2.2 | resnet18_112 | epochs: 50 train_batch: 256 test_batch: 200 base_lr: 0.001 num_classes: 4 base_size: [128,128] crop_size: 112 dropout: 0.5 |
/ | bast_acc=91/26% {‘meituan’: 86.68, ‘ele’: 90.69, ‘other’: 93.69, ‘person’: 88.83} [[ 293 0 39 6] [ 0 341 28 7] [ 9 14 2007 112] [ 14 24 328 2912]] |
| 06-24 | waimaiV0.2.2 | resnet18_112 | / | alpha：0.8 | bast_acc=93.03% {‘meituan’: 92.60, ‘ele’: 91.22, ‘other’: 94.44, ‘person’: 89.93} [[ 313 0 24 1] [ 0 343 28 5] [ 18 6 2023 95] [ 17 17 296 2948]] |
| 06-25 | waimaiV0.2.3 | resnet18_112 | epochs: 50 train_batch: 256 test_batch: 200 base_lr: 0.01 lr_schedule: [20, 30, 40] gamma: 0.1 momentum: 0.9 weight_decay: 0.002 fix_bn: False num_classes: 4 base_size: [128,128] crop_size: 112 dropout: 0.5 |
bast_acc=93.01% resize_size: [112,112]测试： {‘meituan’: 89.94, ‘ele’: 90.42, ‘other’: 95.00, ‘person’: 89.78} [[ 304 0 28 6] [ 0 340 30 6] [ 14 5 2035 88] [ 23 13 299 2943]] resize_size: [128,128]测试：{‘meituan’: 92.604, ‘ele’: 91.489, ‘other’: 91.643, ‘person’: 94.112} |
|
| 06-25 | waimaiV0.2.3 | resnet18_112 | / | alpha：0.8 | bast_acc=93.56% {‘meituan’: 94.37, ‘ele’: 94.41, ‘other’: 93.69, ‘person’: 91.64} [[ 319 0 17 2] [ 0 355 16 5] [ 13 13 2007 109] [ 16 16 242 3004]] resize_size: [128,128]测试： {‘meituan’: 94.08, ‘ele’: 96.54, ‘other’: 90.57, ‘person’: 95.11} |
| 06-27 | waimaiV0.2.3 | shuffle_resnet18_112 | / | / | best_acc:92.14 {‘meituan’: 90.23, ‘ele’: 93.88, ‘other’: 91.36, ‘person’: 91.91} |
| 06-27 | waimaiV0.2.3 | shuffle_resnet18_112 | / | alpha：0.8 | best_acc:91.08 {‘meituan’: 91.71, ‘ele’: 94.68, ‘other’: 89.72, ‘person’: 91.24} |
| 06-28 | waimaiV0.2.3 | resnet18_112 | / | lr_scheduler: ‘cosine’ | best_acc:92.32 {‘meituan’: 83.72, ‘ele’: 92.02, ‘other’: 93.93, ‘person’: 91.33} |
- （2）大车小车：
| 训练日期 | 训练数据集 | 基础模型 | 默认参数 | 调整参数 | 训练结果 |
|---|---|---|---|---|---|
| 06-03 | vehicleV0.1_test | resnet18_112 | epochs: 50 train_batch: 256 test_batch: 200 base_lr: 0.1 lr_schedule: [20, 30, 40] gamma: 0.1 momentum: 0.9 weight_decay: 0.002 fix_bn: False num_classes: 6 base_size: [128,128] crop_size: 112 dropout: 0.5 |
/ | best_acc：65.64% {‘bus’: 97.500, ‘car’: 15.500, ‘muck-truck’: 100.000, ‘pick-up’: 67.337, ‘truck’:87.000, ‘light-bus’:35.000} |
| 06-06 | vehicleV0.1 | resnet18_112 | / | / | best_acc：91.32% {‘bus’: 97.00, ‘car’: 89.95, ‘muck-truck’: 100.000, ‘pick-up’: 84.00, ‘truck’:95.00, ‘light-bus’:80.95.00} |
| 06-07 | vehicleV0.1 | resnet18_112 | / | / | best_acc：90.98% {‘bus’: 98.00, ‘car’: 94.97, ‘muck-truck’: 100.000, ‘pick-up’: 85.00, ‘truck’:95.00, ‘light-bus’:74.87} |
| 06-10 | vehicleV0.1 | resnet18_112 | / | alpha=0.2 base_lr=0.01 |
best_acc：91.74% {‘bus’:96.50, ‘car’: 96.98, ‘muck-truck’: 99.50, ‘pick-up’: 91.00, ‘truck’:95.50, ‘light-bus’:75.38} |
| 06-10 | vehicleV0.1 | resnet18_112 | / | base_lr=0.01 | best_acc：best_acc:91.40% {‘car’: 94.97, ‘pick-up’: 86.00, ‘light-bus’: 78.89, ‘bus’: 96.50, ‘truck’: 92.50, ‘muck-truck’: 100.00} |
| 06-11 | vehicleV0.1_update | resnet18_112 | / | / | best_acc：90.15% {‘car’: 93.46, ‘pick-up’: 88.00, ‘light-bus’: 79.39, ‘bus’: 96.50, ‘truck’: 87.50, ‘muck-truck’: 100.00} |
| 06-26 | vehicleV0.1_update | resnet18_112 | / | base_lr=0.01 base_size:[108,108] crop_size: 96 |
best_acc:90.48，第11个epoch {‘car’: 84.92, ‘pick-up’: 88.55, ‘light-bus’: 82.58, ‘bus’: 94.92, ‘truck’: 90.50, ‘muck-truck’: 100.00} |
| 06-26 | vehicleV0.1_update | resnet18_112 | / | base_lr=0.01 base_size:[108,108] crop_size: 96 alpha:0.8 |
best_acc:92.40，第18个epoch {‘car’: 93.46, ‘pick-up’: 98.01, ‘light-bus’: 85.57, ‘bus’: 94.92, ‘truck’: 83.00, ‘muck-truck’: 100.00} |
| 06-26 | vehicleV0.1_update | resnet18_112 | / | base_lr=0.01 base_size:[60,60] crop_size: 56 |
best_acc:90.57，第21个epoch {‘car’: 92.46, ‘pick-up’: 84.57, ‘light-bus’: 74.62, ‘bus’: 96.44, ‘truck’: 93.00, ‘muck-truck’: 100.00} |
| 06-26 | vehicleV0.1_update | resnet18_112 | / | base_lr=0.01 base_size:[60,60] crop_size: 56 alpha:0.8 |
best_acc:92.07，第22个epoch {‘car’: 93.97, ‘pick-up’: 90.54, ‘light-bus’: 73.63, ‘bus’: 97.46, ‘truck’: 92.00, ‘muck-truck’: 100.00} |
- 训练日记：
6月3日 周一 晴
- 1.车辆分类训练。采用resnet18_112,
- 参数设置： base_lr: 0.1，lr_schedule: [20, 30, 40]， weight_decay: 0.002，dropout: 0.5，其他参数默认。训练结果:best_acc：65.64% {‘bus’: 97.500, ‘car’: 15.500, ‘muck-truck’: 100.000, ‘pick-up’: 67.337, ‘truck’:87.000, ‘light-bus’:35.000} 因为结果比预期差很多，所以检查数据集。
- 外卖分类训练：采用resnet18_112,
- 参数设置： base_lr: 0.1，lr_schedule: [20, 30, 40]， weight_decay: 0.002，dropout: 0.5，其他参数默认。训练结果:best_acc：90.15% ，在第30个epoch，{‘ele’: 91.446, ‘meituan’: 87.075, ‘other’: 91.315, ‘person’: 87.508}
6月4日 周二 晴
- 1.外卖分类训练：加入mixup后继续测试新数据集中的表现效果
- 参数设置：alpha=0.2，其他参数不变。训练结果：best_acc:90.97% 在第32个epoch，{‘ele’: 90.020, ‘meituan’: 90.476, ‘other’: 89.732, ‘person’: 90.684}
6月5日 周三 晴
- 1.外卖分类训练：更改基础模型，采用glore_resnet18_112测试
- 参数设置：base_lr: 0.1，lr_schedule: [20, 30, 40]， weight_decay: 0.002，dropout: 0.5，其他参数默认。训练结果：best_acc:90.94 在第30个epoch，{‘ele’: 89.206, ‘meituan’: 88.435, ‘other’: 90.747, ‘person’: 89.554}
6月6日 周四 晴
- 大小车分类训练：用新整理过后的数据集重新训练
- 参数设置： base_lr: 0.1，lr_schedule: [20, 30, 40]， weight_decay: 0.002，dropout: 0.5，其他参数默认。训练结果：best_acc:91.32%,在第22个epoch，{‘bus’: 97.00, ‘car’: 89.95, ‘muck-truck’: 100.000, ‘pick-up’: 84.00, ‘truck’:95.00, ‘light-bus’:80.95.00}
6月7日 周五 晴
- 1.大小车分类训练：用新整理过后的数据集训练（因为昨天标签顺序没有改动，调整车辆从小到大的顺序，便于以后上线分析，所以调整标签顺序以原来的参数重新训练一次）
- 参数设置： base_lr: 0.1，lr_schedule: [20, 30, 40]， weight_decay: 0.002，dropout: 0.5，其他参数默认。训练结果：best_acc:90.98%,在第38个epoch，{‘bus’: 98.00, ‘car’: 94.97, ‘muck-truck’: 100.000, ‘pick-up’: 85.00, ‘truck’:95.00, ‘light-bus’:74.87}
6月10日 周一 晴
- 1.大小车分类训练：加入mixup扰动后继续测试
- 参数设置：alpha=0.2,其他参数默认。训练结果：best_acc:91.74%,在第32个epoch，{‘bus’: 96.50, ‘car’: 96.98, ‘muck-truck’: 99.50, ‘pick-up’: 91.00, ‘truck’:95.50, ‘light-bus’:76.38}
- 大小车分类，改变标签编号位置重训(因为7号那天忘了运行setup.py)，默认参数。训练结果：best_acc:91.74%,在第32个epoch，{‘car’: 0, ‘pick-up’: 1, ‘light-bus’: 2, ‘bus’: 3, ‘truck’:4, ‘muck-truck’:5}
6月11日 周二 晴
- 1.大小车分类（使用整理过后的测试集），修改参数：base_lr=0.1,测试。训练结果：best_acc:90.15%,在第26个epoch，{‘car’: 93.46, ‘pick-up’: 88.00, ‘light-bus’: 79.39, ‘bus’: 96.50, ‘truck’: 87.50, ‘muck-truck’: 100.00}
- 2.外卖分类训练，更新waimaiV0.2.1后，使用默认参数测试。训练结果：best_acc:90.44 在第30个epoch，{‘meituan’: 90.47, ‘ele’: 90.63, ‘other’: 91.39, ‘person’: 89.27}
- 修改参数：base_lr=0.01,其他默认。训练结果：best_acc:90.54 ,第20个epoch，{‘meituan’: 90.47, ‘ele’: 90.22, ‘other’: 90.82, ‘person’: 91.17}
6月12日 周三 多云
- 1.外卖分类训练(因为11号的训练class_num=6忘了改，所以重新训一下)，
- 修改参数base_lr=0.01,alpha=0.2。训练结果：bast_acc=90.96%,21个epoch，{‘meituan’: 87.75, ‘ele’: 91.03, ‘other’: 89.04, ‘person’: 94.01}
- 修改参数base_lr=0.01,alpha=0.2。训练结果：bast_acc=91.32%,30个epoch，{‘meituan’: 92.971, ‘ele’: 92.87, ‘other’: 90.13, ‘person’: 91.63}
6月13日 周四 阴
- 1.外卖分类训练: 改用glore_resnet18_112作为基础网络训练:
- 修改参数：base_lr=0.01,alpha=0.8。训练结果：bast_acc=91.08%,49个epoch，{‘meituan’: 90.47, ‘ele’: 91.03, ‘other’: 90.82, ‘person’: 91.57} 改用修改的efficientnet_b0_9（’efficientnet-b0’: (w:1.0,d: 0.5,r: 112, dropout:0.2)，9层MBConvBlock）作为基础网络训练:
- 修改参数：base_lr=0.01。训练结果：bast_acc=87.41%,第35epoch,{‘meituan’: 90.70, ‘ele’: 91.24, ‘other’: 84.57, ‘person’: 90.07}
6月14日 周五 阴
- 1.外卖分类训练，使用efficientnet_b0➕预训练模型。
- 修改参数：train_batch: 128；base_lr: 0.01;pretrained:efficientnet_b0，base_size: [226,226]，crop_size: 224，其他参数采用模型默认。训练结果：bast_acc=77.41%,第35epoch,{‘meituan’: 73.01, ‘ele’: 82.07, ‘other’: 70.17, ‘person’: 86.46}。效果并不好，可能是fine turning的lr太高了。
- 将lr调低再试一次，base_size: [256,256]，base_lr: 0.001，其他同上，训练结果：bast_acc=92.50%,第10epoch,{‘meituan’: 89.34, ‘ele’: 95.72, ‘other’: 89.20, ‘person’: 94.28}。
6月15日 周六 晴
- 1.外卖分类训练：使用efficientnet_b0➕预训练模型训练到第10个epoch，然后采用第10个epoch作为预训练模型继续训练。
- 修改参数：train_batch: 128；base_lr: 0.001;pretrained:efficientnet_b0，base_size: [256,2562]，crop_size: 224，其他参数采用模型默认。训练结果：bast_acc=92.43%,第12epoch,{‘meituan’: 90.93, ‘ele’: 94.50, ‘other’: 90.82, ‘person’: 92.18}。
6月17日 周一 晴
- 1.外卖分类训练，降低学习率，再次以14_waimai_efficientnet-b0_10e_92.50.pth.tar作为预训练模型进行训练。
- 修改参数：train_batch: 128；base_lr: 0.0001;pretrained:efficientnet_b0，base_size: [256,256]，crop_size: 224，其他参数采用模型默认。训练结果：bast_acc=92.52%,第12epoch,{‘meituan’: 90.47, ‘ele’: 95.72, ‘other’: 90.46, ‘person’: 93.12}
6月18日 周二 晴
- 1.外卖分类训练，跟新训练集waimaiV0.2.2，以resnet18_112作为基础模型，修改参数：base_lr: 0.01，其他参数采用模型默认。
- 训练结果：bast_acc=92.55%,第20epoch， {‘meituan’: 92.89, ‘ele’: 94.41, ‘other’: 94.86, ‘person’: 90.20}
- 调整参数：base_lr: 0.01，alpha：0.8，其他参数不变。
- 训练结果：bast_acc=93.64%,第43epoch， {‘meituan’: 93.78, ‘ele’: 94.14, ‘other’: 94.72, ‘person’: 90.84}
- 调整参数：train_batch: 128；base_lr: 0.01;base_size: [256,256]，crop_size: 224，其他参数不变。
- 训练结果：bast_acc=93.27%,第25epoch， {‘meituan’: 92.89, ‘ele’: 92.55, ‘other’: 93.74, ‘person’: 92.19}
6月19日 周三 晴
- 1.外卖分类训练：比较mixuo+[224,224]分辨率的效果。
- 调整参数：train_batch: 128；base_lr: 0.01;base_size: [256,256]，crop_size: 224，alpha：0.8，其他参数不变。
- 训练结果：bast_acc=94.18%,第42epoch， {‘meituan’: 94.97, ‘ele’: 96.80, ‘other’: 94.91, ‘person’: 91.67}
6月24日 周一 晴
- 外卖分类训练：
- 使用Adam作为优化函数，
- 修改参数：使用Adam默认参数。训练结果：best_acc:91.26 ,第11个epoch，{‘meituan’: 86.68, ‘ele’: 90.69, ‘other’: 93.69, ‘person’: 88.83}，从平均acc曲线上看，30个epoch后明显下降，有过拟合现象。
- 修改参数：alpha: 0.8；使用Adam默认参数。训练结果：best_acc:93.03 ,第28个epoch，{‘meituan’: 92.60, ‘ele’: 91.22, ‘other’: 94.44, ‘person’: 89.93}，从平均acc曲线上看，35个epoch后明显下降，仍然有过拟合现象。
6月25日 周二 雨
- 外卖分类训练：
- 更新训练集，使用默认参数训练。训练结果：best_acc:93.01,第21个epoch，{‘meituan’: 89.94, ‘ele’: 90.42, ‘other’: 95.00, ‘person’: 89.78}
- 上面测试的时候用resize_size: [112,112],发现原来验证集中几张误检还在，下面用resize_size: [128,128]，结果如下，{‘meituan’: 92.604, ‘ele’: 91.489, ‘other’: 91.643, ‘person’: 94.112}，发现原来验证集中的几张物件已经不在了。
- 更新参数：alpha：0.8，其他参数不变。40个epoch，best_acc:93.56，{‘meituan’: 94.37, ‘ele’: 94.41, ‘other’: 93.69, ‘person’: 91.64}
- 上面的是resize_size: [112,112]，下面用resize_size: [128,128]，结果如下：{‘meituan’: 94.08, ‘ele’: 96.54, ‘other’: 90.57, ‘person’: 95.11}
- 比较两个训练结果，发现，112剪裁的时候在测试集中误检少于128，但是在验证集中用128有助于减少误检。
6月26日 周三 阴
- 1.大小车分类训练：
- 设定参数：base_lr=0.01，base_size: [108,108]，crop_size: 96，其他参数默认。训练结果：best_acc:90.48，第11个epoch，{‘car’: 84.92, ‘pick-up’: 88.55, ‘light-bus’: 82.58, ‘bus’: 94.92, ‘truck’: 90.50, ‘muck-truck’: 100.00}
- 修改参数：base_lr=0.01，alpha:0.8,base_size: [108,108]，crop_size: 96，其他参数默认。训练结果：best_acc:92.40，第18个epoch，{‘car’: 93.46, ‘pick-up’: 98.01, ‘light-bus’: 85.57, ‘bus’: 94.92, ‘truck’: 83.00, ‘muck-truck’: 100.00}
- 修改参数：base_lr=0.01，base_size: [60,60]，crop_size: 56，train_batch: 512，其他参数默认。训练结果：best_acc:90.57，第21个epoch，{‘car’: 92.46, ‘pick-up’: 84.57, ‘light-bus’: 74.62, ‘bus’: 96.44, ‘truck’: 93.00, ‘muck-truck’: 100.00}
- 修改参数：base_lr=0.01，base_size: [60,60]，crop_size: 56，train_batch: 512，alpha:0.8，其他参数默认。训练结果：best_acc:92.07，第22个epoch，{‘car’: 93.97, ‘pick-up’: 90.54, ‘light-bus’: 73.63, ‘bus’: 97.46, ‘truck’: 92.00, ‘muck-truck’: 100.00}
6月28日 周五 晴
- 1.外卖分类：
- 采用cosine学习率变化曲线，其他参数默认。训练结果：best_acc:91.08 ,第35个epoch，{‘meituan’: 83.72, ‘ele’: 92.02, ‘other’: 93.93, ‘person’: 91.33},这个把other的效果提高了，但是美团的效果变差了。
