怎么训练出好的模型？
首先，什么是“好的模型”呢？
好的模型应该是识别结果正确的模型，是一个稳定的模型，可以处理更多复杂情况的模型，更应该是一个可以按照用户的目的完成识别的模型。
根据上述的这几点，我们怎么才能训练出一个好的模型？这个页面会给你一些基本的概念，有什么东西你是需要提前去思考的，详细的内容可以在每个章节底下找到。
你需要选取哪一种模型以达到你的目标？
深度学习功能非常强大，但是每个模型的专注强项也不一样，你需要先从你的使用上考虑，你需要什么样的识别结果？你可以询问一下自己，从实际出发，回答以下问题：
应该怎么去标注？
标注会影响你的模型最终的效果，一个好的模型是需要有好的标注作为基础。
标注的时候尽量仔细，不要出现漏标、错标的情况；这些错误会影响模型的识别，要注意。
应该添加什么预处理和数据增强方法？
当物体和背景的颜色或者对比度比较相似时，不论是模型还是人，都很难判断物体和背景的边界。
使用直方图均衡化：增强图像对比度，突出物体的边界。
思考：哪些模型 不可以 使用直方图均衡化呢？
物体检测模型：物体检测模型并不是说完全不可以使用直方图均衡化，然而是因为物体检测模型标注的方式：方框工具；标注的物体是存在于方框内，但方框内并不是完全只有物体，还会有部分的背景存在于方框中。
那么在使用直方图均衡化预处理时，并没有很好的把背景和物体分割出来。所以直方图均衡化预处理在物体检测模型上没有很好的效果。
添加翻转增强方式时，有什么需要注意的呢：
使用翻转对添加水平或垂直翻转时，需要注意你的物体是否会存在镜面翻转的该物体？
当物体是非对称物体时，翻转在一定程度能提高模型的效果。但是要注意的是，这个物体是否会以翻转的情况出现？
举个例子：模型需要检查印刷的文字是否有缺失。实际中是不会出现镜面翻转的文字，那么这个翻转增强就不可以使用在该模型上；
当物体是非对称而且左右/上下方向是识别的重要信息，那也不可以使用翻转增强：很多金属零件是有方向区别的，可能零件A水平翻转就成为了零件B。这些情况下都是不可以使用翻转增强的。
备注
所以，在添加任何预处理或者数据增强方法时，用户需要仔细考虑清楚实际的情况。
应该使用什么训练模式？
首先，部分模型是不支持旋转准确模式的。其次，我怎么去选择？
答案是在于项目本身的要求：是否对于识别的时间有严苛要求？是否对于识别的准确率有严苛要求？
当项目对于识别时间要求很严苛，允许的识别时间很短，那么你应该选用快速模式；
当项目对于识别的准确率有很高的要求，允许的容错很少，那么你应该选用准确模式；