1.解决样本不均衡问题
全集数据训练:按照主办方提供数据进行训练,mAP 达到 0.50。
固定框选子集训练:线下固定对每个类别最多选择 1000 个框,mAP 达到 0.53。
动态采样模型训练:对每个 GPU、每个 Epoch 采用线上动态采样,每次采集的数据都不同,轮数达到一定数目后,整个全集的数据都能参与整体训练。最后 mAp 达到 0.56。
1.解决样本不均衡问题
全集数据训练:按照主办方提供数据进行训练,mAP 达到 0.50。
固定框选子集训练:线下固定对每个类别最多选择 1000 个框,mAP 达到 0.53。
动态采样模型训练:对每个 GPU、每个 Epoch 采用线上动态采样,每次采集的数据都不同,轮数达到一定数目后,整个全集的数据都能参与整体训练。最后 mAp 达到 0.56。