Custom dataset performance issue

[hukaixuan19970627]

将上述选定的文件内容截图发一下，我看看训练情况

[neverstoplearn]

"hpy.yaml": lr0: 0.0032 lrf: 0.12 momentum: 0.843 weight_decay: 0.00036 warmup_epochs: 2.0 warmup_momentum: 0.5 warmup_bias_lr: 0.05 box: 0.0296 cls: 0.243 cls_pw: 0.631 obj: 0.301 obj_pw: 0.911 angle: 0.03 angle_pw: 0.05 iou_t: 0.2 anchor_t: 2.91 fl_gamma: 0.0 hsv_h: 0.0138 hsv_s: 0.664 hsv_v: 0.464 degrees: 0 translate: 0 scale: 0 shear: 0 perspective: 0.0 flipud: 0 fliplr: 0 mosaic: 0 mixup: 0 copy_paste: 0.0

"opt.yaml": weights: ./weights/yolov5s.pt cfg: ./models/yolov5s.yaml data: ./data/dotav15_poly.yaml hyp: ./data/hyps/hyp.finetune.yaml epochs: 300 batch_size: 4 imgsz: 640 rect: false resume: false nosave: false noval: false noautoanchor: false evolve: null bucket: '' cache: null image_weights: false device: '' multi_scale: false single_cls: false adam: false sync_bn: false workers: 8 project: runs/train name: exp exist_ok: false quad: false linear_lr: false label_smoothing: 0.0 patience: 100 begin_val: 300 end_mosaic: 0 freeze: 0 save_period: -1 local_rank: -1 entity: null upload_dataset: false bbox_interval: -1 artifact_alias: latest save_dir: runs/train/exp25

[neverstoplearn]

"hpy.yaml": lr0: 0.0032 lrf: 0.12 momentum: 0.843 weight_decay: 0.00036 warmup_epochs: 2.0 warmup_momentum: 0.5 warmup_bias_lr: 0.05 box: 0.0296 cls: 0.243 cls_pw: 0.631 obj: 0.301 obj_pw: 0.911 angle: 0.03 angle_pw: 0.05 iou_t: 0.2 anchor_t: 2.91 fl_gamma: 0.0 hsv_h: 0.0138 hsv_s: 0.664 hsv_v: 0.464 degrees: 0 translate: 0 scale: 0 shear: 0 perspective: 0.0 flipud: 0 fliplr: 0 mosaic: 0 mixup: 0 copy_paste: 0.0

"opt.yaml": weights: ./weights/yolov5s.pt cfg: ./models/yolov5s.yaml data: ./data/dotav15_poly.yaml hyp: ./data/hyps/hyp.finetune.yaml epochs: 300 batch_size: 4 imgsz: 640 rect: false resume: false nosave: false noval: false noautoanchor: false evolve: null bucket: '' cache: null image_weights: false device: '' multi_scale: false single_cls: false adam: false sync_bn: false workers: 8 project: runs/train name: exp exist_ok: false quad: false linear_lr: false label_smoothing: 0.0 patience: 100 begin_val: 300 end_mosaic: 0 freeze: 0 save_period: -1 local_rank: -1 entity: null upload_dataset: false bbox_interval: -1 artifact_alias: latest save_dir: runs/train/exp25

[neverstoplearn]

[neverstoplearn]

[neverstoplearn]

[neverstoplearn]

如上图bacth0所示，大部分标签是正常的，但是经营范围后面的部分是标注了的 但是没有显示 通过你提供的DOTA_devkitYOLO转换时保存的图片是有的，因为完整的数据集涉及到身份证 户口本等隐私数据所以没有提供完整的trainbatch，抱歉。 

[hukaixuan19970627]

确实奇怪，代码里是会删除部分目标，不过根据处理逻辑只会删除长边短边均小于5的极小目标。 你先单独用这张图构建一个数据集再测试一下，我更倾向于认为这张图的部分目标在txt中就已经没了

[hukaixuan19970627]

等一下，你这个代码似乎不是最新版本的代码，是老版本的吧。建议使用最新版本的代码，训练效率提升很明显，精度也更高，而且不需要使用DOTA_devkit_YOLO来转换labels，代码里会自动完成对DOTA format label的转换工作（不过要是你的系统是windows的话那还是继续用老版本吧，新版本代码需要编译cuda代码，windows容易报错）

[neverstoplearn]

我这个数据集之前是用DBNet分割方法作的，所以标注的格式是icdar格式，即x1,y1,x2,y2,x3,y3,x4,y4. 意思是最新的代码直接读入这在格式的标签吗？不需要转为x y w h theta吗？

[neverstoplearn]

等一下，你这个代码似乎不是最新版本的代码，是老版本的吧。建议使用最新版本的代码，训练效率提升很明显，精度也更高，而且不需要使用DOTA_devkit_YOLO来转换labels，代码里会自动完成对DOTA format label的转换工作（不过要是你的系统是windows的话那还是继续用老版本吧，新版本代码需要编译cuda代码，windows容易报错）

看到了 不需要转换了