通常来讲是模型把数据学习过深，数据中的细节和噪音也学习进去了，这样就导致模型泛化的性能变差。过拟合的表现是，一个模型(一个假设)在训练集上表现得很好，但是在测试集上表现的确不是很好。

　　那该如何通过数据限制过拟合呢?

　　重新清洗数据。数据的噪音太多会影响到模型效果，清洗数据能够把由于这个因素造成的过拟合问题规避

　　增加训练集的数据量。如果训练集占总数据的比例太少，也会造成过拟合。

　　当然也能通过算法限制这个问题的，比如正则化方法和dropout法，以后有空我们可以再深入讨论。

　　五、项目实践 (以车型识别举例)

　　车辆检测系统下有很多CV相关的应用，比如车型识别、车牌识别、车颜色识别等等。我们从车型识别这一个例子着手，探索项目的具体流程。

　　项目前期准备

　　1.数据准备：

　　车型这个主题说大不大，说小不小。全世界的车辆品牌数目大约三四百个，每个品牌下面又有几十种车系。我们从0开始立项，至少需要把常见的车辆车系都包含。像大众、丰田、奔驰、宝马、奥迪、现代等等热门车辆品牌更是需要拿全数据。每一种车型至少有车头、车尾、车身三种基础数据。

　　比如奔驰C200：

　　这三张图片代表了三种数据，不同场景下这三种数据的重要性大为不同。在项目前期假设我们定下来识别车型这个需求主要应用场景是“停车场识别车辆”，那车头这个数据相对而言就更加重要，需要花更多心思收集。为什么呢?我们可以想象，停车场的车辆识别摄像头为了捕捉车牌号，一般会将摄像头正对车辆，摄像头传上来的数据很少会有纯侧面车身的数据甚至车尾数据。我们为了项目更快地应用落地，其他类型数据比较缺少的情况是可以暂时放下后期再做优化的。

　　在数据准备的过程中，首先需要爬虫从网上爬取数据，再由人工筛选过滤到不可用的数据，将数据统一整合，才能进行下一步工作。

　　2.文档准备

　　A)数据标注文档，包括我们项目一共所含多少钟车型、每一种车型分别对应什么样式。数据标注中需要注意的问题，多辆车的图片、角度刁钻的图片是否需要舍弃等等。

　　B)产品文档，包括落地场景说明、需求说明文档等常规文档。这里拿工业车辆识别需求分析下系统设计：

　　算法需求描述(识别的种类、范围、速度、准确率、稳定性等等)

　　摄像头设备硬件需求描述、环境描述、数据传送描述、摄像头配置描述

　　平台程序设计(车辆识别系统平台前后端设计)

　　数据关联描述(车辆信息分析统计关联)

　　如果摄像头在局域网，且有布控功能(识别车辆黑名单的需求)还需要：

　　下发程序(考虑云端到本地的图像特征下发)

　　点播程序设计(可以从互联网查看本地摄像头)

　　项目流程跟踪

　　1.软硬件端：按照常规的软硬件项目跟踪开发

　　2.算法：车型识别的流程基本如下：

　　车型图像上传：通过过摄像头/web上传

　　图像预处理：包含了上文成像部分中的模糊图像恢复处理(运动模糊有快速算法去模糊：通过已知速度V、位移S，确定图像中任意点的值)

　　early vision中的图像分割(将目标图像从背景图中标识出来，便于图像识别，可以考虑边缘检测方法)、图像二值化(将图像中的像素点的灰度值设置为0或者255，使用轮廓跟踪让目标轮廓更为凸显)

　　图像特征提取

　　特征比对

　　项目测试

　　摄像头测试

　　摄像头与点播程序测试

　　点播程序(可实时查看摄像头的程序)与平台后台程序测试

　　算法与平台后台测试、备用接口测试

　　模型识别时间测试

　　模型识别准确率、召回率测试

　　服务器稳定性测试

　　网络带宽限制测试

　　正反向测试

　　其他平台、硬件产品常规测试

　　项目验收

　　产品按照流程功能逐一验收

　　六、后记