Argoverse数据集目标检测实战：从数据预处理到模型部署的全流程指南

1次阅读

没有评论

共计 2722 个字符，预计需要花费 7 分钟才能阅读完成。

Argoverse 数据集包含大量城市道路场景的高清视频和 3D 追踪数据，特别适合自动驾驶相关研究。这个数据集有几个显著特点：

高动态场景 ：车辆、行人、自行车等目标运动速度差异大
密集目标分布 ：十字路口等场景经常出现数十个目标同时出现
复杂遮挡情况 ：建筑物、树木等造成大量部分遮挡目标

这些特点给目标检测带来了独特挑战：

运动模糊问题 ：快速移动的车辆和行人导致图像模糊
小目标检测 ：远距离行人有时只占 10×10 像素
标注不一致 ：相同类别的物体在不同距离下尺寸差异巨大

我们测试了两种主流模型在 Argoverse 上的表现：

模型	推理速度 (FPS)	mAP@0.5	显存占用
YOLOv5s	45	0.62	2.1GB
Faster R-CNN	12	0.68	4.3GB

选型建议 ：

实时性要求高：选择 YOLOv5 系列（推荐 YOLOv5s 或 YOLOv5m）
精度优先：使用 Faster R-CNN with FPN
平衡方案：YOLOv5x + 改进的 PANet

Argoverse 使用 JSON 格式存储标注，需要转换为模型所需的格式。以下是关键处理代码：

import json
import numpy as np

def convert_annotations(json_path, output_dir):
    """将 Argoverse JSON 标注转换为 YOLO 格式"""
    with open(json_path) as f:
        data = json.load(f)

    for img_info in data['images']:
        img_id = img_info['id']
        img_w = img_info['width']
        img_h = img_info['height']

        # 收集该图像的所有标注
        anns = [a for a in data['annotations'] if a['image_id'] == img_id]

        # 转换为 YOLO 格式: class x_center y_center width height
        with open(f"{output_dir}/{img_id}.txt", 'w') as f_out:
            for ann in anns:
                x, y, w, h = ann['bbox']
                x_center = (x + w/2) / img_w
                y_center = (y + h/2) / img_h
                norm_w = w / img_w
                norm_h = h / img_h

                f_out.write(f"{ann['category_id']} {x_center} {y_center} {norm_w} {norm_h}\n")

关键点说明 ：

坐标归一化：将绝对坐标转换为相对坐标（0- 1 范围）
类别 ID 映射：需要与模型定义的类别顺序一致
处理多边形标注：对于非矩形目标，建议使用最小外接矩形

针对 Argoverse 的小目标问题，我们对 FPN 结构做了以下改进：

增加 P6/P7 层 ：在标准 FPN 基础上增加两个下采样层，提升小目标检测能力
自适应特征融合 ：使用类似 BiFPN 的加权融合方式
高分辨率分支 ：保留 1 / 4 尺度的特征图用于小目标检测

class ImprovedFPN(nn.Module):
    def __init__(self, in_channels):
        super().__init__()
        # 标准 FPN 层
        self.p5_conv = nn.Conv2d(in_channels[-1], 256, 1)
        self.p4_conv = nn.Conv2d(in_channels[-2], 256, 1)

        # 新增 P6/P7 层
        self.p6 = nn.Conv2d(256, 256, 3, stride=2, padding=1)
        self.p7 = nn.Conv2d(256, 256, 3, stride=2, padding=1)

        # 自适应融合权重
        self.w1 = nn.Parameter(torch.ones(2))
        self.w2 = nn.Parameter(torch.ones(3))

    def forward(self, features):
        p5 = self.p5_conv(features[-1])
        p4 = self.p4_conv(features[-2])

        # 特征融合
        p4 = (self.w1[0] * p4 + self.w1[1] * F.upsample(p5, scale_factor=2)) / (self.w1.sum() + 1e-4)

        # 生成 P6/P7
        p6 = self.p6(p5)
        p7 = self.p7(F.relu(p6))

        return [p4, p5, p6, p7]

类别不平衡解决方案 ：

使用 Focal Loss 替代标准交叉熵
采用 OHEM（在线难例挖掘）
数据增强时对小目标进行过采样

def focal_loss(pred, target, alpha=0.25, gamma=2):
    """Focal Loss 实现"""
    bce_loss = F.binary_cross_entropy_with_logits(pred, target, reduction='none')
    pt = torch.exp(-bce_loss)
    focal_loss = alpha * (1-pt)**gamma * bce_loss
    return focal_loss.mean()

训练参数推荐 ：

初始学习率：0.001（使用 cosine 衰减）
批量大小：至少 16（使用梯度累积）
数据增强：Mosaic + MixUp 效果最佳

内存优化技巧 ：

启用 Dataloader 的 pin_memory 加速数据传输
使用混合精度训练
梯度检查点技术

train_loader = DataLoader(
    dataset,
    batch_size=16,
    shuffle=True,
    num_workers=4,
    pin_memory=True,  # 关键配置
    persistent_workers=True
)

TensorRT 部署常见问题 ：