精度低的主要问题是数据集标注策略有问题，比如stain类标注的特征不一样，有的是一张贴纸，有的是正常的白色或黄色污点，这些污点又与某些洞的特征差不多，因为特征不同又属于同一类导致的精度低。还有sand per，由于砂轮片是圆形，以及分布不均，所以需要一个个小框相邻覆盖。还有repeat net这个肉眼都得判断一会儿，特征不明显而且分布不均，和sand标注策略一样。总的来说有的可以多分几类，但sand和repeat不知道咋办了。另外，第一次实验原始数据集没有分类和数据增强，只有625张图片，跑400轮mAP50才0.22；第二次数据增强9倍到5000多张，精度到0.44；第三次去掉不带网的图片剩300多张，重新标注后train增强15倍，但val和test没增强，精度还是不高。建议重新分类标注，统一特征明显的样本，多类分开，train多增强，检查类别平衡。

第一次实验直接用原始数据

第一次使用n大小模型400轮，原始数据集没有经过分类和数据增强，625张图片跑完精度(map50)0.22。图片太少，没分类，没增强，模型学不到东西，精度自然低。

第二次加了数据增强但没分类

第二次使用n大小模型400轮，数据集未分类，按照第一次的数据集train,val,test都进行了数据增强9倍，5000多张跑完精度0.44。增强了但没分类，杂乱数据让模型困惑，精度只翻倍。

第三次分类标注后还是低

第三次使用n大小模型400轮，先去掉了不带网的图片剩余300多张，然后重新对一些图片进行了标注，标注完之后分类，保证train,val,test10类都有，然后对train进行数据增强15倍，val和test不管。问题是标注策略：stain类特征不统一，有的贴纸有的污点还像洞；sand per圆形分布不均要小框覆盖；repeat net特征弱分布不均肉眼难判。建议多分几类试试。

第四次实验细节

今天继续进行砂轮片检测实验。严格来说，目前进行了四次完整的实验。去掉不带网的图片后，重新标注，但不确定标注对不对，总感觉sand和repeat net处理不了。

FAQ

Q: 数据增强多少倍合适？
A: train增强9-15倍常见，val和test别增强，保持真实分布。

Q: 类别特征不明显怎么标注？
A: 试着多分几类，或找更多明显样本训练，肉眼难判的类别可能需要调整。

Q: 图片数量少怎么办？
A: 先增强到几千张，但必须分类好，不然白增强。

Q: mAP50从0.22到0.44还低吗？
A: 对于自定义砂轮片数据集，低，因为标注乱和类别难分，继续优化能上0.6+。