github：https://github.com/wucj123/YOLOV3#yolov3

训练集

来自百度点石广告大赛的训练集，共9000张，60类，随机取1/5，共1780张用作测试集，剩余7220张用作训练集，取10%用作验证集。

训练过程

阶段一：150个epoch，batch=10，learning rate为1e-3，每3个epoch，loss不下降，则降低为原来0.5，20个epoch不下降则停止训练。val loss=28，70个epoch停止，最后调整lr=6.103515914901436e-08，时间420s/epoch。

阶段二：load阶段一中保存的weight，200个epooch，其他设置同阶段一，第82个earlystoppping，lr=3.906250185536919e-06，val-loss=11。

训练结果

各类AP（iou=0.5）以及mAP如下所示

原因分析

mAP较小原因：

主要原因是数据集太少，可与voc比较，voc07共20类，训练集5000张图片左右，平均每类约为250张，而本数据集，训练集7220*0.9，约为6500张，共60类，平均每类105张，所以数据集至少要扩充一倍，这是下一步要做的工作。

个别类别AP极高，个别极低原因：

比如uniqlo，优衣库，之所以效果好，与此品牌设计有关，是一个整体，红底白色的正方形，所以训练比较容易，而xbk以及st_sat之所以比较难，跟数据有关，这两类或者比较低的几类，商标采用灯光式设计，照片拍出来识别度不高，所以需要对数据进行下一步处理。

经数据扩充之后训练结果如下：

分析

两次结果比较看出，每一类的AP值都得到大幅提升，mAP也提升到了60%，所进行的数据扩充起到了明显作用，虽然没有达到比赛中80%的效果，猜测原因有二：一为我的测试集只有1780张，而在比赛中用的测试集为4600张，确实不一个级别；二维我所使用的测试集本来是用做训练的，对于图片中一些品牌的标注，不够严谨。