「目标检测」中，如何提高mAP，优化数据集？

「目标检测」中，如何提高mAP，优化数据集？

以yolov5举例，源码

一、在detect.py中的两个概念：

1.conf_thres:confidence threshold 置信度阈值，表示只显示预测概率超过conf_thres的预测结果，如果想让yolo只标记可能性高的地方，就把这个参数提高。
2.iou_thres:交并比阈值，表示预测框与真实框的交集与并集的取值。
越大，则容易将对于同一个物品的不同预测结果 当成 对多个物品的多个预测结果，导致一个物品出现了多个预测结果。
越小，则容易将对于多个物品的不同预测结果 当成 对同一个物品的不同预测结果，导致多个物品只出现了一个预测结果。

二、如何有效的增强数据集？

1.数据清洗

从训练集和验证集中过滤出那些造成损失最多的图像，或者说那些mAP非常小的图像。
选择mAP的阈值，并对图像进行可视化。
接着，从数据集中过滤了两种类型的样本：
–1.标签错误的边框
–2.图像包含非常小

2.增加图像的多样性

1.增加不同环境的数据集，
–2.模拟不同拍摄条件
多视角–透视变换，基于opencv透视变换的代码很多，在这里就不贴了~~
不同光照–亮度、对比度变化
–3.图像质量
做噪声处理，图像压缩等来模拟运动模糊的拍摄情况。

3.整合

最后，将所有这些增强处理叠加在一起，可以将公开数据集分布转换为更接近实际生产分布的数据，这里用到albumentations库，数据增强库「albumentations」

reference:
♦https://blog.csdn.net/u014264373/article/details/114144303
♦https://blog.csdn.net/asd123pwj/article/details/117171868
♦https://cloud.tencent.com/developer/article/1744371