替換backbone之後map沒有提升，有可能是什麼原因造成的呢?

如果題主學習率等超參設置沒有問題，訓練過程、數據預處理本身也沒有問題的話，有可能是數據本身的特點導致的。本人有過這樣的體驗，在做工業圖像檢測的時候，選擇ResNet101沒有比ResNet50性能有明顯地提升。我認為是由於工業圖像和自然場景圖像的差異導致的。與自然圖像相比，工業圖像本身背景簡單，紋理單一，而且與自然場景中的人和物相比，工業圖像的劃痕、斑點等缺陷目標本身語義信息不明顯，僅利用局部的梯度、邊緣等信息就可以判斷，不需要利用高層語義信息。因此，不需要更大的、具有更好的高層特徵提取能力的ResNet101，ResNet50就夠用了。這也說明一個問題，網路層級不是越深越好。

發佈於 02-22繼續瀏覽內容知乎發現更大的世界打開Chrome繼續baodinggebaodingge

問題非常有意思，很多人應該碰到過這個問題。有兩個原因。

1 大模型，深模型是神器，通常能取得不錯的結果，不過使用起來有些困難，其中一個點就是 雙下降 現象，有興趣可以看一下相關的文獻，不過還是需要大量的實驗。

2假設已經摸過上面的問題了，可以小心的加寬網路，

問題非常有意思，很多人應該碰到過這個問題。有兩個原因。

1 大模型，深模型是神器，通常能取得不錯的結果，不過使用起來有些困難，其中一個點就是 雙下降 現象，有興趣可以看一下相關的文獻，不過還是需要大量的實驗。

2假設已經摸過上面的問題了，可以小心的加寬網路，

假如訓練一切正常的話，很大可能是數據的問題，比如數據量少，res50已經把數據擬合的很好了，再用101也沒啥用。建議還是從數據入手，然後去看網路和訓練

如果有足夠質量的訓練集和測試集並且訓練條件相當沒有其他失誤影響的情況下，resnet50替換為resnet101一般是會有提升的

沒有提升，那就有可能是數據集數量不夠，或者質量不夠好，除了訓練集的數量和質量，還包括驗證集的數量和質量，還有一點就是訓練集和驗證集之間是否相差太大，導致map看臉隨機波動了

數據量不足，數據質量不夠，以及任務複雜度 都會造成該問題

這主幹網路替換和map提升之間沒有必然關係，但是網路變深，推理時間肯定變慢

你數據不夠，基本不會提升，而且時間成本大量提升

有可能是數據量問題，也有可能和要檢測的目標特徵是否明顯，以及目標的相對大小有關。

大概率是因為你用的數據集特性，看是大的還是小的，label 的好還是不好，場景是不是比較特別。

推薦閱讀：
相關文章