解决物体检测中的小目标问题

　　作者丨JacobSolawetz
　　来源丨小白学视觉
　　编辑丨极市平台
　　为了提高模型在小物体上的性能，我们建议使用以下技术：提高图像捕获分辨率提高模型的输入分辨率平铺图像通过扩充生成更多数据自动学习模型锚过滤掉多余的类为什么小目标问题很难？
　　小物体问题困扰着全世界的物体检测模型，查看最新模型YOLOv3、EfficientDet和YOLOv4的COCO评估结果：
　　查看APS、APM、APL以获取最先进的模型。
　　例如，在EfficientDet中，小物体的AP仅为12，而大物体的AP为51，这几乎是五倍的差距。
　　那么为什么检测小物体这么难呢？
　　这一切都取决于模型，目标检测模型通过聚合卷积层中的像素来形成特征。
　　PPYOLO中目标检测的特征聚合
　　并且在网络的末端，基于损失函数进行预测，该损失函数基于预测和地面真实情况之间的差异对像素进行汇总。
　　YOLO中的损失函数
　　如果地面真值框不大，则在进行训练时信号会很小。此外，小物体最有可能存在数据标记错误，因此它们的标识可能会被省略，从经验和理论上来说，小物体是难的。提高图像捕获分辨率
　　非常小的物体在边界框中可能只包含几个像素这意味着提高图像的分辨率以增加检测器可以从该小框中形成的特征的丰富度非常重要。因此，如果可能，我们建议尽可能捕获高分辨率的图像。提高模型的输入分辨率
　　一旦我们拥有更高分辨率的图像，我们就可以扩大模型的输入分辨率。警告：这将导致大型模型需要更长的训练时间，并且在开始部署时推断速度会更慢。我们可能需要运行实验，来找出速度与性能之间的正确权衡。
　　在我们关于培训YOLOv4的教程中，我们可以通过更改配置文件中的图像大小来轻松调整输入分辨率。〔net〕batch64subpisions36width｛YOURRESOLUTIONWIDTHHERE｝height｛YOURRESOLUTIONHEIGHTHERE｝channels3momentum0。949decay0。0005angle0saturation1。5exposure1。5hue。1learningrate0。001burnin1000maxbatches6000policystepssteps4800。0，5400。0scales。1，。1
　　在我们的教程中，小伙伴们还可以通过更改训练命令中的图像大小参数，轻松调整输入分辨率，该教程介绍了如何训练YOLOv5：！pythontrain。pyimg｛YOURRESOLUTONSIZEHERE｝batch16epochs10data。。data。yamlcfg。modelscustomyolov5s。yamlweightsnameyolov5sresultscache
　　注意：只有在达到训练数据的最大分辨率时，才能看到改进的结果。平铺图像
　　检测小图像的另一种很好的策略是将图像平铺作为预处理步骤。平铺可以有效地将检测器放大到小物体上，但允许我们保持所需的小输入分辨率，以便能够进行快速推理。
　　平铺图像作为Roboflow中的预处理步骤
　　如果在训练期间使用平铺，请务必记住，我们还需要在推理时平铺图像。通过扩充生成更多数据
　　数据扩充会从我们的基本数据集生成新图像，这对于防止模型过度拟合训练集非常有用。
　　一些特别有用的小物体检测增强包括随机裁剪、随机旋转和镶嵌增强。自动学习模型锚
　　锚定框是模型学习预测的原型边界框，也就是说，锚框可以预先设置，有时对于我们的训练数据来说不是最理想的。自定义调整这些参数以适合我们即将完成的任务是很好的，YOLOv5模型架构会根据我们的自定义数据自动为我们执行此操作，我们所要做的就是开始训练。Analyzinganchors。。。anchorstarget4。66，BestPossibleRecall（BPR）0。9675。Attemptingtogenerateimprovedanchors，pleasewait。。。WARNING：Extremelysmallobjectsfound。35of1664labelsare3pixelsinwidthorheight。Runningkmeansfor9anchorson1664points。。。thr0。25：0。9477bestpossiblerecall，4。95anchorspastthrn9，imgsize416，metricall0。3170。665meanbest，pastthr0。465mean：18，24，65，37，35，68，46，135，152，54，99，109，66，218，220，128，169，228EvolvinganchorswithGeneticAlgorithm：fitness0。6825：10010001000〔00：0000：00，1081。71its〕thr0。25：0。9627bestpossiblerecall，5。32anchorspastthrn9，imgsize416，metricall0。3380。688meanbest，pastthr0。476mean：13，20，41，32，26，55，46，72，122，57，86，102，58，152，161，120，165，204过滤掉多余的类
　　类管理是提高数据集质量的一项重要技术，如果我们的一个类与另一个类明显重叠，则应从数据集中过滤该类。也许，我们认为数据集中的小对象不值得检测，因此我们可能想要将其取出。通过RoboflowPro中的高级数据集进行状况检查，我们可以快速识别所有这些问题。
　　可以通过Roboflow的本体管理工具来实现类遗漏和类重命名。