目标检测通用trick

1. 数据增强

离线增强： 直接对数据集进行处理，数据的数目会变成增强因子 x 原数据集的数目，这种方法常常用于数据集很小的时候

在线增强： 这种增强的方法用于，获得 batch 数据之后，然后对这个 batch 的数据进行增强，如旋转、平移、翻折等相应的变化，由于有些数据集不能接受线性级别的增长，这种方法长用于大的数据集，很多机器学习框架已经支持了这种数据增强方式，并且可以使用 GPU 优化计算。

1.1 在线增强常用

空间几何变换：翻转（水平和垂直）、随机裁剪、旋转、放射变换、视觉变换（四点透视变换）、分段放射
像素颜色变换类：CoarseDropout、SimplexNoiseAlpha、FrequencyNoiseAlpha 、 ElasticTransformation
HSV对比度变换
RGB颜色扰动
随机擦除
超像素法
转化法
边界检测
Grayscale
锐化与浮雕：如视频中常用

2. 训练策略

2.1 warmup：

训练初期由于离目标较远，一般需要选择大的学习率，但是使用过大的学习率容易导致不稳定性。所以可以做一个学习率热身阶段，在开始的时候先使用一个较小的学习率，然后当训练过程稳定的时候再把学习率调回去。e.d., YOLO v5, effcientDet, … \dots …

2.2学习率衰减策略：

1.指数衰减
2.固定步长衰减
3.多步长衰减
4.余弦退火衰减

2.3 Label smoothing:

one-hot 带来的问题：(容易过度自信，导致过拟合)

对于损失函数，我们需要用预测概率去拟合真实概率，而拟合one-hot 的真实概率函数会带来两个问题：

1)无法保证模型的泛化能力，容易造成过拟合；

全概率和0概率鼓励所属类别和其他类别之间的差距尽可能加大，而由梯度有界可知，这种情况很难adapt。会造成模型过于相信预测的类别。

Label smoothing 增加了模型的泛化能力，一定程度上防止过拟合。

做法：标签中不再只有 0 , 1 0,1 0,1，可以是0.6，0.99，之类

2.4 K-Fold交叉验证

模型选择，模型选择超参

测试方式

1.将所有训练的KFold进行融合
2.最优模型重新训练全部数据后预测

3. 推断策略

3.1NMS（非极大值抑制）

同一个物体可能有好几个框，我们的目标是一个物体只须保留一个最优的框：于是我们就要用到非极大值抑制，来抑制那些冗余的框：抑制的过程是一个迭代-遍历-消除的过程。

3.2 soft NMS

不要粗鲁地删除所有IOU大于阈值的框，而是降低其置信度

3.3 DIoUNMS

在nms过程中采用DIoU的计算方式替换了IoU，由于DIoU的计算考虑到了两框中心点位置的信息，故使用DIoU进行评判的nms效果更符合实际，效果更优。

3.3 DIoUNMS

在nms过程中采用DIoU的计算方式替换了IoU，由于DIoU的计算考虑到了两框中心点位置的信息，故使用DIoU进行评判的nms效果更符合实际，效果更优。