如何通过理解数据在自定义数据集上逐步提升物体检测模型效果

点击上方“AI公园”&＃xff0c;关注公众号&＃xff0c;选择加“星标“或“置顶”

作者&＃xff1a;Tushar Kolhe

编译&＃xff1a;ronghuaiyang

导读

以监控摄像头数据集的人体检测模型为例&＃xff0c;说明了如何通过对数据的理解来逐步提升模型的效果&＃xff0c;不对模型做任何改动&＃xff0c;将mAP从0.46提升到了0.79。

YOLO v5x 在自定义的测试集上使用TIDE进行分析的结果&＃xff0c;mAP &＃64;0.5: 0.79

模型的性能显示出~ 0.2%的正增长。从TIDE 分析中可以看出&＃xff0c;假阳性对错误的贡献减小了。

结论

额外的数据有助于使模型对背景干扰更健壮&＃xff0c;但是收集的数据量仍然比总体数据集的大小少得多&＃xff0c;并且模型仍然有一些false negatives。当对随机图像进行测试时&＃xff0c;该模型能够很好地泛化。

我们从模型选择开始&＃xff0c;以COCO mAP作为基准&＃xff0c;我们选出了一些模型。此外&＃xff0c;我们考虑了推理时间和模型架构&＃xff0c;并选择YOLO v5。我们收集并清理了各种公开可用的数据集&＃xff0c;并使用各种数据增强技术将其转换为我们的用例。最后&＃xff0c;我们从头收集图像&＃xff0c;并在手工标注之后将它们添加到数据集中。我们最终的模型是在这个经过整理的数据集上训练的&＃xff0c;能够从 0.46 mAP &＃64; IOU0.5改进到0.79 mAP &＃64; IOU 0.5。

通过根据用例对数据集进行处理&＃xff0c;我们将物体检测模型改进了约20%。该模型在mAP和延迟方面仍有改进空间。选择的超参数是YOLO v5默认给出的&＃xff0c;我们可以使用超参数搜索库&＃xff0c;如optuna对它们进行优化。当训练分布和测试分布之间存在差异时&＃xff0c;域适应是另一种可以使用的技术。此外&＃xff0c;这样的情况可能需要使用额外数据集进行连续的训练循环&＃xff0c;以确保模型的持续改进。

—END—

英文原文&＃xff1a;

请长按或扫描二维码关注本公众号

喜欢的话&＃xff0c;请给我个在看吧&＃xff01;