檢測(cè)小物體是計(jì)算機(jī)視覺(jué)中最具挑戰(zhàn)性和重要的問(wèn)題之一。在這篇文章中，我們將討論通過(guò)迭代數(shù)百種小物體檢測(cè)模型在Roboflow上開發(fā)的一些策略。

無(wú)人機(jī)在公共空中海上數(shù)據(jù)集中從上方看到的小物體

為了提高模型在小對(duì)象上的性能，我們建議以下技術(shù)入手：

• 提高圖像拍攝分辨率

• 增加模型的輸入分辨率

• 平鋪圖片

• 通過(guò)擴(kuò)充生成更多數(shù)據(jù)

• 自動(dòng)學(xué)習(xí)模型

• 過(guò)濾掉多余的類

為什么小物體問(wèn)題很難？

小物體問(wèn)題困擾著全世界的物體檢測(cè)模型。查看最新模型YOLOv3，EfficientDet和YOLOv4的COCO評(píng)估結(jié)果：

檢查AP_S，AP_M，AP_L的最新模型。小物件很難！例如，在EfficientDet中，小型對(duì)象的AP僅為12％，大型對(duì)象的AP為51％。那幾乎是五倍的差異！那么，為什么很難檢測(cè)小物體呢？一切都取決于模型。對(duì)象檢測(cè)模型通過(guò)聚合卷積層中的像素來(lái)形成特征。

PP-YOLO中用于對(duì)象檢測(cè)的特征聚合

并且：

YOLO中的損失函數(shù)

如果地面物體本來(lái)就不大，而在進(jìn)行訓(xùn)練時(shí)還會(huì)變小。因此，小物體最有可能出現(xiàn)數(shù)據(jù)標(biāo)記錯(cuò)誤，甚至可能會(huì)省略其標(biāo)識(shí)。從經(jīng)驗(yàn)和理論上講，小物體都很難檢測(cè)。

提高圖像拍攝分辨率

分辨率，分辨率，分辨率……全都與分辨率有關(guān)。

很小的物體在邊界框內(nèi)可能只包含幾個(gè)像素，這意味著增加圖像的分辨率以增加檢測(cè)器可以從該邊界框提取信息的豐富度，這非常重要。因此，如果可能我們建議捕獲盡可能高分辨率的圖像。

增加模型的輸入分辨率

獲得更高分辨率的圖像后，就可以擴(kuò)大模型的輸入分辨率。警告：這將導(dǎo)致大型模型需要花費(fèi)較長(zhǎng)的訓(xùn)練時(shí)間，并且在開始部署時(shí)將較慢地推斷出來(lái)。您可能需要進(jìn)行實(shí)驗(yàn)以找出速度與性能之間的權(quán)衡。大家可以在我們的有關(guān)YOLOv4培訓(xùn)的教程中輕松更改輸入分辨率，方法是更改配置文件中的圖像大小。

[net] batch=64 subdivisions=36 width={YOUR RESOLUTION WIDTH HERE} height={YOUR RESOLUTION HEIGHT HERE} channels=3 momentum=0.949 decay=0.0005 angle=0 saturation = 1.5 exposure = 1.5 hue = .1  learning_rate=0.001 burn_in=1000 max_batches=6000 policy=steps steps=4800.0,5400.0 scales=.1,.1

更改輸入分辨率方法是更改訓(xùn)練命令中的圖像大小參數(shù)：

!python train.py --img {YOUR RESOLUTON SIZE HERE} --batch 16 --epochs 10 --data '../data.yaml' --cfg ./models/custom_yolov5s.yaml --weights '' --name yolov5s_results  --cache
注意：大家只會(huì)看到達(dá)到最大訓(xùn)練數(shù)據(jù)分辨率的改進(jìn)結(jié)果。

平鋪圖片

檢測(cè)小圖像的另一種很好的策略是將圖像平鋪?zhàn)鳛轭A(yù)處理步驟。平鋪可以有效地將檢測(cè)器放大到小物體上，但可以保持所需的小輸入分辨率，以便能夠進(jìn)行快速推理。

在Roboflow中平鋪圖像作為預(yù)處理步驟如果大家要在訓(xùn)練期間使用平鋪，請(qǐng)務(wù)必記住，還需要在推理時(shí)平鋪圖像。

通過(guò)擴(kuò)充生成更多數(shù)據(jù)

數(shù)據(jù)擴(kuò)充會(huì)從基本數(shù)據(jù)集中生成新圖像。這對(duì)于防止模型過(guò)度擬合訓(xùn)練集非常有用。對(duì)于小物體檢測(cè)，一些特別有用的增強(qiáng)包括隨機(jī)裁剪，隨機(jī)旋轉(zhuǎn)和鑲嵌增強(qiáng)。

自動(dòng)學(xué)習(xí)模型的錨定框

錨定框是模型學(xué)習(xí)預(yù)測(cè)的原型邊界框。也就是說(shuō)，錨框可以預(yù)先設(shè)置，有時(shí)對(duì)于訓(xùn)練數(shù)據(jù)而言不是最佳的。自定義調(diào)整這些參數(shù)以適合我們需要完成的任務(wù)，這是很好的。YOLOv5模型架構(gòu)會(huì)根據(jù)小伙伴的自定義數(shù)據(jù)自動(dòng)為您完成此操作。我們要做的就只是是開始訓(xùn)練。

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

過(guò)濾掉多余的類

類管理是提高數(shù)據(jù)集質(zhì)量的一項(xiàng)重要技術(shù)。如果有兩個(gè)類明顯重疊的類，則應(yīng)從數(shù)據(jù)集中過(guò)濾一個(gè)。如果因?yàn)檎J(rèn)為數(shù)據(jù)集中的小對(duì)象不值得檢測(cè)，并希望將他們先去除。大家可以通過(guò)運(yùn)行Roboflow Pro的高級(jí)數(shù)據(jù)集來(lái)快速識(shí)別所有這些小對(duì)象。可以通過(guò)Roboflow的管理工具來(lái)實(shí)現(xiàn)類遺漏和類重命名。