比赛trick讲解

最新推荐文章于 2024-07-03 00:56:02 发布

weixin_41872340

最新推荐文章于 2024-07-03 00:56:02 发布

阅读量690

点赞数 2

分类专栏： pytorch

本文链接：https://blog.csdn.net/weixin_41872340/article/details/107314768

版权

本文详细介绍了目标检测中的各种技巧，包括训练阶段的warmup策略、软NMS、GIoU等，以及测试阶段的数据增强技术如TTA。还讨论了伪标签法和模型集成方法，如Ensemble和Weighted Box Fusion，以提高模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 目标检测通用trick

在这里插入图片描述

👆warmup：先用小学习率训练几个epoch，当稳定后再调大，防止学习一开始就陷入局部极小

👆：将原本为0或1的标签设置为0.99或其他数，使模型避免过于自信

👆:soft nms，可以保留重叠区域的框

在这里插入图片描述
👆：iou不能反映两框中心点位置关系

2.Baseline中的trick

在这里插入图片描述

👆：以不同的比例混合两张图，并能模拟遮挡的效果

👆：anchor是基准框，每次拟合时，都照基准框的方向进行拟合

在这里插入图片描述
smoothL1：计算四个点的损失1
GIOU：用一个框包围预测框和真实框，进行计算
Diou：把包围框的对角线距离和中心点的距离都考虑进来
ciou：把预测矿和真实框的宽高加入

拉近与gt的距离，拉远与其他框的距离

测试阶段trick

在这里插入图片描述
👆：TTA：测试时数据增强。一张图像变形成多张，增加测试样本数量，对结果进行融合。使测试结果更好。
OOF：对框的置信度进行处理，滤除置信度较小的物体，如果阈值较高，那么召回率就会降低（漏检），如果阈值较低，召回率上升，精确度下降（误检）。因此选定合适的阈值很重要。而OOF就是选择阈值的方法。
NMS系列：对框去重。（wbf也是去重作用）。

Pseudo-labelling

在这里插入图片描述
👆：用有标签的数据训练模型，对未标签测试数据用模型打标签，将测试数据和训练数据重新训练模型。

进阶版进行重复训练以提升效果

对损失加上不同的权重（通过减小未标签的损失权重）

from utils.datasets import *
from utils.utils import *

def makePseudolabel():
    source = '../input/global-wheat-detection/test/' # 拿测试数据
    weights = WEIGHTS # 模型权重
    
    imagenames =  os.listdir(source)
    
    device = torch.device('cuda') if torch.cuda.is_available()

最低0.47元/天解锁文章