关于yolo小目标检测，如何得到有效的模型

（该方法，本人亲测有效）

正题开始：

小目标检测为什么难？

1、小目标通用的定义来自 COCO 数据集，定义小于 32x32 pix 的为小目标。但是实际项目里目标尺寸可能比这个更小
2、图像上小目标数目过多。由于小目标本身分辨率低，图像模糊，携带的信息少。由此所导致特征表达能力弱，小目标的像素点越少，目标图片经过卷积后的特征就更少了，那么用于目标检测和分类的特征就更少了。
3、在网络卷积核确定的情况下，随着网络层数的增加，单个高层特征反应原始图片像素的范围就越大，视野就越宽，高层信息越是能够反应原始图片中物体的宏观轮廓。随着网络层数的增加和感受野的变大，微观的信息就会丢失， 这样对于小目标的信息就会聚合到一个点，小目标原本包含的像素就少，随着感受野的增加，聚合后的特征就更少了，比如1010像素的小目标，经过卷积后的特征可能就只有11，甚至出现多个10*10像素的小目标，经过多次卷积核，合并成了一个特征。这样，小目标就无法识别。

小目标解决方法

首先是数据的预处理，大图切成小图，（怎么切，或者根据框去切图，或者根据图像切片去切图，千万别把小目标给抠出来了，你是做检测算法，又不是用来分类）再划分数据集：

# -*- coding: utf-8 -*

import xml.etree.ElementTree as ET
import cv2
import os
import copy
def crop_img(img_path,xml_path,img_save_path,xml_save_path):
    i =000
    if not os.path.exists(img_save_path):
        os.mkdir(img_save_path)
    if not os.path.exists(xml_save_path):
        os.mkdir(xml_save_path)
    for file in os.listdir(img_path):
        _img_path = img_path + "/" + str(file)
        # _xml_path = xml_path + "/" + str(file.split(".")[0] + ".xml")
        _xml_path = xml_path + "/" + str(file[:-4] + ".xml")
        img = cv2.imread(_img_path)
        print(img.shape)
        tree = ET.parse(_xml_path)
        root = tree.getroot()
        person_list = []
        for child in root:
            if child.tag == "object":
                if child[0].text == "my_object_name":
                    xmin1 = int(child[2][0].text)
                    ymin1 = int(child[2][1].text)
                    xmax1 = int(child[2][2].text)
                    ymax1 = int(child[2][3].text)
                    b_w=int(xmax1-xmin1)*0.1
                    b_h = int(ymax1 - ymin1) * 0.1
                    xmin=int(xmin1-b_w)
                    xmax=int(xmax1+b_w)
                    ymin = int(ymin1 - b_h)
                    ymax = int(ymax1 + b_h)
                    if xmin<0:xmin=0
                    else:xmin=xmin
                    if xmax>img.shape[1]:xmax=img.shape[1]
                    else:xmax=xmax
                    if ymin<0:ymin=0
                    else:ymin=ymin
                    if ymax>img.shape[0]:ymax=img.shape[0]
                    else:ymax=ymax
                    if (ymax-ymin)*(xmax-xmin) >= 30000