fix

mindspore-lab · Aug 11, 2023 · 2a00417 · 2a00417
1 parent 97e9810
commit 2a00417
Show file tree

Hide file tree

Showing 2 changed files with 9 additions and 4 deletions.
diff --git a/examples/finetune_SHWD/README.md b/examples/finetune_SHWD/README.md
@@ -72,8 +72,8 @@ __BASE__: [
   '../../configs/yolov7/yolov7-tiny.yaml',
 ]
 
-per_batch_size: 16 # 16 * 8 = 128
-img_size: 640 # 单卡batchsize，总的batchsize=per_batch_size * device_num
+per_batch_size: 16 # 单卡batchsize，总的batchsize=per_batch_size * device_num
+img_size: 640 # image sizes
 weight: ./yolov7-tiny_pretrain.ckpt
 strict_load: False # 是否按严格加载ckpt内参数，默认True，若设成False，当分类数不一致，丢掉最后一层分类器的weight
 log_interval: 10 # 每log_interval次迭代打印一次loss结果
@@ -104,7 +104,11 @@ optimizer:
 
 自定义数据集类别数通常与COCO数据集不一致，MindYOLO中各模型的检测头head结构跟数据集类别数有关，直接将预训练模型导入可能会因为shape不一致而导入失败，可以在yaml配置文件中设置strict_load参数为False，MindYOLO将自动舍弃shape不一致的参数，并抛出该module参数并未导入的告警
 #### 模型微调(Finetune)
-
+模型微调过程中，可首先按照默认配置进行训练，如效果不佳，可考虑调整一下参数：
+* 学习率可调小一些，防止loss难以收敛
+* per_batch_size可根据实际显存占用调整，通常per_batch_size越大，梯度计算越精确
+* epochs可根据loss是否收敛进行调整
+* anchor可根据实际物体大小进行调整
 由于SHWD训练集只有约6000张图片，选用yolov7-tiny模型进行训练。
 * 在多卡NPU/GPU上进行分布式模型训练，以8卡为例:
 

diff --git a/requirements/cpu_requirements.txt b/requirements/cpu_requirements.txt
@@ -4,4 +4,5 @@ pillow == 9.5.0
 mindspore
 pylint
 pytest
-opencv-python
+opencv-python
+download