暖夏少年|在物体检测中搞定小目标( 二 )
tile图像作为预处理步骤
如果你在训练中使用tile ， 重要的是要记住 ， 你也需要在推理时tile你的图像 。
通过增强产生更多数据数据增强从基本数据集生成新的图像 。 这对于防止模型过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、随机旋转和马赛克增强 。
自动学习模型AnchorsAnchors是你的模型学会预测的与之相关的原型边界框 。 也就是说 ， anchors可以预先设置 ， 有时对你的训练数据不是最优的 。 最好根据你手头的任务自定义调优它们 。 幸运的是 ， YOLOv5模型会根据你的自定义数据自动为你完成这项工作 。 你所要做的就是开始训练 。
【暖夏少年|在物体检测中搞定小目标】Analyzing anchors... anchors/target = 4.66, Best Possible Recall (BPR) = 0.9675. Attempting to generate improved anchors, please wait... WARNING: Extremely small objects found. 35 of 1664 labels are < 3 pixels in width or height. Running kmeans for 9 anchors on 1664 points... thr=0.25: 0.9477 best possible recall, 4.95 anchors past thr n=9, img_size=416, metric_all=0.317/0.665-mean/best, past_thr=0.465-mean: 18,24,65,37,35,68,46,135,152,54,99,109,66,218,220,128,169,228 Evolving anchors with Genetic Algorithm: fitness = 0.6825: 100%|██████████| 1000/1000 [00:00<00:00, 1081.71it/s] thr=0.25: 0.9627 best possible recall, 5.32 anchors past thr n=9, img_size=416, metric_all=0.338/0.688-mean/best, past_thr=0.476-mean: 13,20,41,32,26,55,46,72,122,57,86,102,58,152,161,120,165,204过滤掉无关的类别类别管理是提高数据集质量的一项重要技术 。 如果你有一个类与另一个类明显重叠 ， 你应该从数据集中过滤掉这个类 。 也许 ， 你认为数据集中的小物体不值得检测 ， 所以你可能希望将其拿掉 。
总结正确地检测小物体确实是一项挑战 。 在这篇文章中 ， 我们讨论了一些策略来改善你的小物体探测器 ， 即：
- 提高图像采集的分辨率
- 增加模型的输入分辨率
- tile你的图像
- 通过增强生成更多数据
- 自动学习模型anchors
- 过滤掉无关的类别
推荐阅读
- 金戈鐵馬|特朗普力挺铁杆支持者，枪杀两人的少年没错？抗议活动不断发酵
- 开封于七一|育迎宾尚法好少年，借温柔秋风多送法
- 少年|央视要搞选秀，热搜沸了！网友提名他当导师，点赞数第一
- 暖夏少年|2020电脑硬盘销量排行榜：七彩虹加入战局，硬是打倒了金士顿
- 少年一梦|2020畅销手机排行，iPhone无人超越，安卓旗舰全线溃败
- 少年帮|进入倒计时，华为突然宣布，供应链将迎来“洗牌”？
- 少年帮|纯国产“龙芯”即将来临，正式确认？中科院宣布决定
- 上线|原创央视也搞成团选秀！《上线吧！华彩少年》有哪些优势？粉丝放心了
- 海报|央视首档少年成团选秀节目《上线吧！华彩少年》开始全球招募
- 少年帮|正式确认？中科院宣布决定，纯国产“龙芯”即将来临