YOLOv5自定义重训：新增数据时是否需合并旧数据集以节省训练资源

问题1：重训时是否需要将旧的1万多条数据与新增的1000条数据合并使用？ #

建议必须合并使用。如果仅使用新增的1000条数据重训，模型会出现灾难性遗忘问题，之前在1万条旧数据上学到的特征会被大幅覆盖，原本能正确识别的样本大概率会出现误检、漏检的情况，反而得不偿失。
如果不想完全从头训练，也可以用你之前得到的准确率80%的模型作为预训练权重，在合并后的数据集上做微调，训练效率和最终精度都会比单独用新数据重训好很多。

问题2：若重训时新增了类别，是否可以仅使用新数据完成重训？ #

除非你完全不需要模型再识别原来的旧类别，否则绝对不能这么做。仅用带新增类别的新数据训练后，模型会彻底遗忘旧类别的特征，旧类别的识别准确率会直接降到接近0。
如果你的需求是保留原有全部类别、同时增加新类别识别能力，必须把包含所有旧类别的旧数据集，和标注了新类别的新数据集合并，保证训练集中覆盖所有需要识别的类别后再启动训练。

问题3：有哪些方法可以节省训练的时间与存储空间？ #

你可以参考以下实操性很强的优化手段：

• 优先用之前训练得到的80%准确率的模型作为预训练权重微调，不需要从随机初始化开始训练，可将所需训练epoch数减半，至少节省50%的训练时间
• 开启混合精度训练，YOLOv5原生支持该功能，训练命令加--amp参数即可，既能降低显存占用、提升训练速度，还能减少中间文件体积
• 调整权重保存逻辑，不需要每轮训练都存权重，仅保留最优权重和最后一轮权重即可，把参数--save-period设为-1就能关闭每轮保存的逻辑，大幅降低存储空间占用
• 适当降低训练输入分辨率，比如原本用640×640训练，没有极小目标检测需求的话可以调到480×480，训练速度能提升30%以上，精度损失基本可以忽略
• 采用冻结训练策略，前几轮先冻结backbone主干网络的权重，仅训练检测头部分，之后再解冻全网络训练，微调场景下能节省30%左右的训练时间，对最终精度影响极小
• 训练时关闭不必要的可视化输出，比如不需要每轮都生成检测样例图、冗余日志，能减少不必要的存储开销

内容的提问来源于stack exchange，提问作者123bmc