整理极客冠军方案

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

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？？？

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
第一阶段，使用强数据增强，img_size = 640，默认损失函数;

第二阶段，换上弱数据增强，img_size减小到480，损失函数用Focal Loss;

第三阶段进行微调，使模型适应原始图像，无数据增强，img_size = 480,但是低学习率，防止过拟合。

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。

①C3模块

②BottleNeckCSP模块

3.更改Leaky_Relu激活函数为SiLU激活函数。
作者在CONV模块（CBL模块）中封装了三个功能：包括卷积（Conv2d）、BN以及Activate函数（在新版yolov5中，作者采用了SiLU函数作为激活函数），同时autopad（k, p）实现了padding的效果。

4.SPP更改为SPPF(Spatial Pyramid Pooling - Fast), 结果是一样的，但是可以降低FLOPS，运行的更快。

冻结

感觉这一篇偏重实际，写的很清晰。

四.渣土车识别方案

渣土车识别方案

整体架构：

匈牙利算法

出现了这个新名词

五.农作物病虫害识别&垃圾分类识别

师出同门，可以看出很明显的侧重于落地性
垃圾分类识别
农作物病虫害识别

六.快递爆仓识别算法

久违的看见一篇是分割做的。
分割玩的太少了，再了解一下

七.短袖短裤识别

这一篇思路很清晰，不过细节部分的呈现偏少。

YOLOv5 的 TensorRT C++ 部署代码推荐参看 https://github.com/wang-xinyu/tensorrtx/tree/master/yolov5

感觉后面的代码都是千篇一律不细写了
解析了yolov5