一、前言

為何要調整模型呢？在前次的結果中可以看到辨識的結果對於角度較爲刁鑽或是不清楚的地方，在經過調整後是否能出現改善，以下是調整的重點。

• epoch數調整
• 學習率的調整
• 批次大小的調整
• 啟用資料增強

二、調整設定

在這邊筆者調整了訓練的參數，以下為程式以及為何要做這樣的修正的說明。

model.train(
    data = r'C:\Users\使用者\Documents\projects\Car_License\dataset.yaml', 
    epochs = 350, 
    batch = 32, # 更改為32，增大批次大小
    device = 'cuda',
    imgsz = 320, 
    cache = True, 
    lr = 0.01, #修改學習率
    augment = True #開啟資料增強
)

• epoch數調整：增加訓練的輪數。
• 學習率的調整：用於訓練不穩定的時候，可以試著調整學習率來改善，於是這邊將學習率調整為0.01測試。
• 批次大小調整：批次大小主要是影響模型訓練的穩定性，將數值調大通常能夠穩定梯度並減少模型波動，但前提是需要有足夠的記憶體(燃燒吧！電腦)，於是筆者嘗試將批次大小加大至32。
• 資料增強：增加隨機旋轉、翻轉或調整亮度等增強方式。有助於模型泛化、特別是提升mAP@0.5:0.95。

訓練結果

以下為訓練的結果

以整體的模型表現來說可以做出以下結論。

• mAP@0.5 ≈ 0.95：說明模型能夠非常準確地檢測到物體，但僅限於較低的 IOU 閾值（0.5），這意味著模型的檢測結果不需要非常精確地匹配物體的邊界框即可被認為是正確的。
• mAP@0.5:0.95 ≈ 0.85：這個值較 mAP@0.5 低，但仍然表現不錯，這表明模型在不同的 IOU 閾值下仍然能保持不錯的預測精度，能夠對邊界框進行精確的預測。

綜合來說，可以看到整體的數據都有提升的跡象，意味著調整上面的參數確實對結果有所幫助，那下一篇將開始介紹EasyOCR，接著會利用EasyOCR來進行辨識圖片中的文字，那我們下一篇見。