自定义数据集yolo识别图像准确率一例

玩yolo是一回事，准备用起来又是另外一回事

自定义了一堆数据集，训练过后用来识别图片，发觉一个问题，明明很清晰没有什么遮挡的物体识别不出来，各种折腾后发觉问题根源在于有些图片的长宽比太大（1：2.5）导致的

在问过deep seek后尝试了以下的方法

1，yolo 识别中加入参数augment=True 

2，在yaml文件中加入scales: [0.5, 2.0]  

3，rect=True 

上面的方案1是有效的，2有明显效果，但是准确率降低，3也不明确

当然deep seek还提供了一种分割方案，有点繁琐就没有尝试。

最有效的方案是调整imgsz,在识别的时候尽量最大化这个imgsz,例如我调整到了2752，默认是640，调整这个数值是提升识别率最有效的方案。

所以整体的方案就是 1，2,再加上imgsz尽量放大进行识别

加了scale的识别没有scale的识别：

scale+augment

scale+augment+imgsz(2752) 

scale+imgsz 注意这里的百分比变化

 imgsz 

重新再看一遍 scale+augment+imgsz：

也就是说在这三个条件下，能够识别出来的物体匹配度是最可靠的。