首先引用https://blog.csdn.net/Nire_Yeyu/article/details/105403220

这种方法属于见效快，但是治标不治本。在验证阶段直接调小score_threshold，可以将mAP快速提升，但是实际上你的模型预测的结果，置信度还是很低。

将原本的batch_size调小，同时增大learning_rate，batch_size可以尝试慢慢调小，因为batch_size小，训练速度会变慢，batch_size大训练速度会相对快一些。 原理是假设你正在看一本书，书的总页数是固定的（相当于数据集的大小）batch_size越大，相当于你每次同时看batch_size页的书，虽然learning_rate较低，即每次看的较慢，但是最终花费的时间短，理解的东西会比较片面，导致阅读质量下降，即预测结果置信度很低，即评估只能通过设置很小的score_threshold，来提升mAP。 所以解决方法是，调小的batch_size，同时增大learning_rate。即每次看较少数量的内容，但是提高阅读速度，总花费时间较长，但理解的东西比较深刻，即最终模型训练的结果也会较好，评估阶段置信度较高。

上述是我将kmeans应用到YOLOV3中，更换自己的anchors时，mAP一直很低，自己多次调整之后，总结的经验。加油自己！离成功又近了一步~