yolo和yolo-tiny实际使用对比

最近在学习使用yolo进行目标识别，然而由于显存问题，yolo官方的train.py跑不了，所以尝试了两种方法，一种是减小yolo训练时的batch_size，另一种是使用yolo-tiny，现记录一下两者的效果对比。
先交代一下前提，我的显卡是GTX1050Ti的，显存4G，训练只有一种类别，训练集有140张图，平均每张图上有3个左右目标。使用的是yolov3。

首先使用yolo-tiny，batch_size32时还是吃不消，故改成16，训练了50+50次，期间gpu利用率一直是百分之十几，几乎没有达到20%，时间也不长，但是最终损失函数较大，100轮结束后还是140左右。

但是测试一下表现还是不错的

接下来使用yolo进行训练，由于显存不够，故把batch_size改成了3，还是50+50轮，期间gpu利用率基本上在80%左右，训练了半个小时，到总第70轮自动停止了，损失函数大概在14左右，比起140还是好了很多，并且训练出的结果在识别较为密集的图片时比tiny版本要好，见下图。


上面的图是tiny版本识别结果，下面的图是yolo识别的结果可见除了把一片叶子错误识别成梨之外，yolo把tiny版本不能识别的有遮挡的梨也识别出来了。
从这个故事我们知道了，如果你的gpu足够顶，尽量不使用tiny版本的yolo，tiny一百轮训练的损失还不如yolo十轮左右的损失，同样也反映出机器学习确实是很吃硬件的一个专业。