总结

通常套路就是
（1）先观察整体的数据分布（数据集数量，标签数量，标注框数量）

①数据集数量：数量大，大模型训练缓慢
②标签数量：各类的分布情况—>分布是否平衡
focal损失函数：长尾分布（样本分布不均衡）
mosaic：小目标相对较多。mosaic大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好；
③各类的平均数量
SAM优化器：增加泛化能力，避免过拟合

（2）数据特点

遮掩严重：
varifocal loss损失函数
soft-nms
数据集的尺寸

（3）训练策略

冻结训练
冻结训练的意义：我在这篇提过一嘴
img大小变化

（4）性能优化

TensorRT
简单介绍过配置
剪枝
openvino

一. 占道经营检测

ECV 2021 冠军方案解读

（1）模型选择

anchor-based：

1）优点：加入了先验知识，模型训练相对稳定；密集的anchor box可有效提高召回率，对于小目标检测来说提升非常明显。

2）缺点：对于多类别目标检测，超参数scale和aspect ratio相对难设计；冗余box非常多，可能会造成正负样本失衡；在进行目标类别分类时，超参IOU阈值需根据任务情况调整。

anchor-free：

1)优点：计算量减少；可灵活使用。

2）缺点：存在正负样本严重不平衡；两个目标中心重叠的情况下，造成语义模糊性；检测结果相对不稳定。

基于优点与缺点最终选择了yolov5

（2）根据数据集选择合适的处理方案

1）优化器

在这里插入图片描述

SAM优化器

问题：许多网络可以很容易地记住训练数据并有能力随时overfit，为了防止这个问题，增强泛化能力
SAM优化器特点：
它与其他常见的优化器一起使用

2）损失函数

Varifocal Loss损失函数
使用该loss来缓解目标遮挡造成漏检现象。并且与focal loss不同，varifocal loss是不对称对待正负样本所带来的损失。

3)冻结训练

具体训练方案是：1）常规训练；2）加入冻结模块的分步训练1；3）加入冻结模块的分步训练2。

其实我还在思考冻结训练中每一步的意义？？？
在这里插入图片描述

二. 沿街晾晒识别

这一篇给我看出了一种应试考试的感觉

（1）标签数量不均衡

数据增强用Mosaic数据增强 + 损失函数用Focal loss
这也是应对数据不均衡比较常规的想法，而且都很有效。

Focal loss

关于Focal loss的详细内容可以参考这篇博客

（2） TensorRT

（3）训练策略

它的训练策略分三段

三. 反光衣识别

这一篇比较重代码和逻辑推演过程

对于yolov5的理解

1．第一层取消了Focus,采用卷积核大小为6,步长为2的卷积层代替。
yolov5官方解答，Focus() 是用来降低FLOPS的，跟mAP无关。Focus模块在v5中是图片进入backbone前，对图片进行切片操作，具体操作是在一张图片中每隔一个像素拿到一个值，类似于邻近下采样，这样就拿到了四张图片，四张图片互补，输入通道扩充了4倍，即拼接起来的图片相对于原先的RGB三通道模式变成了12个通道，最后将得到的新图片再经过卷积操作，最终得到了没有信息丢失情况下的二倍下采样特征图。

2.更改backbone的基本单元BottleneckCSP为c3模块。
在新版yolov5中，作者将BottleneckCSP（瓶颈层）模块转变为了C3模块，其结构作用基本相同均为CSP架构，只是在修正单元的选择上有所不同，其包含了3个标准卷积层以及多个Bottleneck模块（数量由配置文件.yaml的ndepth_multiple参数乘积决定）从C3模块的结构图可以看出，C3相对于BottleneckCSP模块不同的是，
①经历过残差输出后的Conv模块被去掉了，
②concat后的标准卷积模块中的激活函数也由LeakyRelu变味了SiLU。
在这里插入图片描述