阿里天池目标检测类比赛入门

1赛前准备
- 1.1设备
- 1.2必备技术
- 1.3相关论文
- 1.4开源工具
2比赛规则分析
- 2.1评分指标
- 2.2模型限制的解决方法
3数据分析
- 3.1感受野&anchor&训练尺度
- 3.2Domain分布
- 3.3实战分析数据特殊性质
- 3.4数据集划分
- 3.5训练采样方式
- 3.6正常数据（背景数据）的使用
4实战
- 4.1算法选择
- 4.2预训练
- 4.3模型集成
- 4.4调参
比赛心态
答疑环节

本文总结来自阿里天池AI学习的直播课《天池CV赛事老司机，手把手带你入门目标检测赛题》~非常全面的为大家介绍了如何参与阿里天池目标检测的相关比赛，以及比赛中的一些宝贵的经验分享！干货满满！
录播链接 ：https://tianchi.aliyun.com/course/video?liveId=41141

主讲人郑烨
中科院计算所博士生在读，研究方向为FSOD。CV比赛奖项收割者，有较为丰富的目标检测比赛经验。

1赛前准备

1.1设备

显卡：英伟达公司，支持cuda和cudnn的加速，很多开源的框架可以支持
显存：限制训练时候的输入图像，限制batchsize的大小，模型的复杂度；显卡的数量对于比赛来说并没有那么关键，对于数据量庞大的比赛表重要。
是否支持半精度fp16的训练：可以加速训练
硬盘：固态硬盘，减少IO时间，提高训练时间
内存：非常多的bbox时，可能会OOM
cpu：够用就好

1.2必备技术

python、计算机视觉基础、机器学习基础、深度学习基础、深度学习框架

1.3相关论文

https://github.com/hoya012/deep_learning_object_detection

1.4开源工具

mmdetection【pytorch】
https://github.com/open-mmlab/mmdetection

detectron2 【pytorch和caffe都可以】
https://github.com/facebookresearch/detectron2

simpleDet
https://github.com/TuSimple/simpledet

PaddleDetection
https://github.com/PaddlePaddle/PaddleDetection

tensorflow detection api object_detection
https://github.com/tensorflow/models/tree/master/research/object_detection

2比赛规则分析

比赛基本流程 ：
规则理解掌握
数据分析
baseline
方案迭代改进
代码和模型提交
答辩准备
答辩
时间节点及不同阶段关联性
初赛如果和复赛关联性不大，可以基本ok就行，不需要花费太大精力

2.1评分指标

指路 https://github.com/rafaelpadilla/Object-Detection-Metrics【对目标检测很多的评测指标都做了很好的介绍】

a.mAP（配合不同IOU要求）

新手容易认为左图mAP高，实际上往往更低一些！
新手常见错误：score阈值的给定由可视化结果决定，例如0.5
经验：score阈值适当的降低可以提高mAP
b.acc【纯背景图像和有目标图像的二分类的准确率】+mAP
c.F1-score

2.2模型限制的解决方法

a.体积限制
1.直接将float32格式模型保存为float16格式
2.采用fp16训练保存float16格式模型
3.移除不必要的参数，例如optimizer优化过程的参数等【有的开源框架会默认保存一些参数，方便恢复训练，占得比例还挺高】

b.数量限制
由于数量难以界定，现在一般不采用

c.运行时间限制
模型轻量化【backbone,head等】
减少模型数量
减小infer尺度【多尺度预测的时候少选一些尺度】
多进程异步数据加载【提前预加载数据】
模型压缩量化、蒸馏剪枝等

3数据分析

3.1感受野&anchor&训练尺度

感受野&anchor&训练尺度可以通过以下几个方面分析拿到的数据：
a. 图像大小分布
医疗、遥感数据常见很大，需要合理的crop
数据集内图像大小差异较大：padding+crop
结合自身设备初步判断训练的尺度上限
b.Gt boxes大小及长宽比例分布
bbox的大小分部影响anchor scale设计
bbox长宽比例影响anchor ratio设计
类内和类间bbox大小的分布，影响整体算法的设计，例如多尺度及专家模型以及后处理

举例：宫颈癌比赛

如上图：
ASC-H类：大的比较少；
Candida：小中大都有；
Trichomonas：比较小
c.Gt boxes与图像大小相对比例分布
由比例可以计算目标经过resize进入网络时候的实际大小，从而：

 结合实际大小决定训练尺度的选取决定anchor scale决定 anchor ratio决定backbone的选取（模型感受野）

d.Gt boxes类别分布
数据分布非常不均衡，呈现长尾分布，

 上采样增强下采样增强训练动态加权采样稀少数据专家模型

小结

 感受野&anchor&训练尺度三者互相协调1.确定训练尺度【可原图resize】2.anchor scale和anchor ratio接近目标的分布可以加快收敛3.模型感受野要尽量大于目标长边【resize原图，增加深度，最后的卷积采用空洞卷积，引入DCN模块】当一个训练尺度或者一个模型难以协调的时候1.多尺度训练预测2.专家模型【这里是基于尺度的专家】3.模型改进【三叉戟网络TridentNet】

注意当有些时候，你对手中的数据集进行了模型赶紧，但是官方换榜之后，测得的结果并没有更好，这可能是因为你官方的测试集与手头数据集部分不均匀，要多手准备。
知乎相关链接：
https://zhuanlan.zhihu.com/p/44106492
https://zhuanlan.zhihu.com/p/55824651

3.2Domain分布

eg.训练集：白天+雨天

3.3实战分析数据特殊性质

1.物品检测—x光图像危险品语义分割

因为正常的图片较多，而含有危险品目标的数据量较少，因此可以通过“贴图”+"抠图"进行数据集mixup扩增（上交有发过相关的文章）

2.基于虚拟仿真环境下的自动驾驶交通标志识别
因为图很大，目标很小。第一步粗检测，第二步，细检测（以hrnet为backbone应对iou要求极高的检测）

3. 天池广东智能制造赛场-布匹瑕疵点检测
因为瑕疵大小相差较大，长宽比例较大（可以anchor调整的更加极端）由于给定了无目标的模板【没有瑕疵的图片】，所以可以进行通道拼接输入，做差输入。

3.4数据集划分

为了拟合比赛中的测试集，可以针对性划分
特殊的类训练相应的专家系统。

3.5训练采样方式

在线加权采样
按照类别数量比例加权
按照图片类别丰富度加权【百度参加365的策略】
OHEM等基于loss的采样

3.6正常数据（背景数据）的使用

拼接：将含目标数据与正常图像拼接在一起进行训练【拼接造假图然后训练rpn，使得rpn能够一开始也能够在正常数据上有效果】
抠图+粘贴将目标crop出来以后通过各种方式贴在正常数据上
如果背景数据与含目标数据具有对应关系：做差、通道拼接【如布匹问题，江小白酒瓶】

4实战

4.1算法选择

Anchor based
Anchor free
One stage
Tow stage
Anchor based+Tow stage【目前推荐】

说明：
基于类间关系的后处理：有些类不共存
基于目标大小及位置的先验：目标必须在瓶子上等【都可以从数据中分析发现】

4.2预训练

说明：推荐使用在检测数据集上预训练的权重
1.更有利于rpn等网络的权重初始化，前景和背景的区分使得rpn收敛的更快，而在ImageNet上预训练的结果则没有这样的优势。
2.如果使用的网络带DCN，预训练的时候用带DCN的预训练效果会更好，总而言之，预训练尽量为后续少走弯路。

4.3模型集成

直接nms
score加权集成
bboxes voting集成
专家单类替代【类分布少的专家，尺寸专家直接替代掉，不要和原来集成，可能集成了还不如只用专家模型】

4.4调参

1.理解数据和算法！调的时候心里有底！
2.与模型复杂度无关的参数先在小的backbone上调试
3.控制变量法！不然就是瞎调！

比赛心态

1.学习第一，兴趣驱动
2.从入门到top，只需要一次认真的参赛
【认认真真把该学习的东西学习一遍，第二次基本上很快就能摸到top了】

答疑环节

线下的增强怎么做？
增强可以对bbox内的框内的目标单独增强，比如人可能躺着、站着、坐着
本地好，线上不好，怎么办？
答：随机划分可能存在线上线下分布不同，应该提前备案。
数据脏怎么办？
标准的方式，半监督的清洗，官方数据train出来之后，再infer一下【一些与答案相差较大的，如果不允许人工标注就直接扔掉】。

干货满满~阿里天池目标检测保姆级教程相关推荐

满满干货！红书运营保姆级教程
**满满干货!红书运营保姆级教程** 1. 同类三种媒体发布平台的优劣势今日头条: 今日头条的用户基础雄厚,活跃的用户比较多,所能带来的流量是比较大的,这也就导致了今日头条的推荐量雄厚,是不可多得的 ...
目标检测算法——YOLOv7训练自己的数据集（保姆级教程）
>>>深度学习Tricks,第一时间送达<<< 目录 YOLOv7训练自己的数据集(保姆级教程): 一.YOLOv7源代码下载二.安装深度学习环境三.准备自己的 ...
win系统的阿里云服务器部署IDEASpringBoot项目保姆级教程
win系统的阿里云服务器部署SpringBoot项目保姆级教程前言配置阿里云服务器配置环境环境配置中的坑还有别的坑的话,私信我我补充......毕竟配置是最基本的,还想咋样... jar包导 ...
保姆级教程——将springboot项目部署到阿里云服务器（小白包会）
保姆级教程--将springboot项目部署到阿里云服务器(小白包会) 前言: 昨天本想着看论文,结果发现找的论文和课题不一致.那干点什么好呢?那就把我的毕业设计(一个springboot项目)部署到 ...
【保姆级教程】基于WordPress在阿里云服务器上搭建个人博客网站
写之前先回答几个问题: 1,网上类似的教程非常多,为什么写这篇教程? 答:博客网站我搭建过好几次,但是每次搭建都需要再去网上搜教程:然而网上的教程坑很多,甚至有些是错误的,不能完美解决自己的问题,有时 ...
天才少年稚晖君 | 【保姆级教程】个人深度学习工作站配置指南
天才少年稚晖君 | [保姆级教程]个人深度学习工作站配置指南来源:https://zhuanlan.zhihu.com/p/336429888 0. 前言工作原因一直想配置一台自己的深度学习工作站 ...
50000字，数仓建设保姆级教程，离线和实时一网打尽(理论+实战) 下
文档大纲: 本文上半部分之前已经发过了,传送门:50000字,数仓建设保姆级教程,离线和实时一网打尽(理论+实战) 上此篇文章是整个文档的下半部分,将接着上半部分从第五章开始. 五.实时数仓建设核心 ...
❤️周末爆肝两天❤️，万字长文，手把手教你配置CSDN主页的独特域名（保姆级教程，建议收藏）
❤️ 感受下效果图 ❤️ 目录一.前言二.先解决有没有的问题 1. 前置条件 2. 购买云服务器 3. 购买DNS域名 4. 配置Apache2服务 5. 配置云服务器的端口映射 6. 配置ngi ...
ACME网站证书自动化保姆级教程
更好的阅读体验和更多文章请移步Blog: https://blog.zhou.icu/archives/acme网站证书自动化保姆级教程本文参考(复制)自:使用 GitHub Actions 自动申 ...

干货满满~阿里天池目标检测保姆级教程