目标检测实战：基于PASCAL VOC2007数据集的模型优化与避坑指南

1次阅读

共计 2551 个字符，预计需要花费 7 分钟才能阅读完成。

PASCAL VOC2007 是目标检测领域的经典基准数据集，包含 9963 张图片，涵盖 20 个常见物体类别（如人、车、动物等）。数据集分为训练集（2501 张）、验证集（2510 张）和测试集（4952 张），标注格式为 XML。

实际使用中常见以下痛点：

类别不平衡：某些类别（如 ”person”）样本量远多于其他类别（如 ”pottedplant”）
小目标问题：约 15% 的目标尺寸小于 32×32 像素
标注不一致：同类物体的标注粒度存在差异（如 ”car” 是否包含部分遮挡车辆）

图像归一化：

transform = transforms.Compose([transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], 
                         std=[0.229, 0.224, 0.225])
])

标注格式转换：建议转换为 COCO 格式或 YOLO 格式，便于统一处理

针对小目标的增强方案：

Mosaic 增强：拼接 4 张图像，增加小目标出现频率
随机缩放：在 0.5-1.5 倍范围内随机缩放
HSV 色彩扰动：调整色调、饱和度和明度

# Mosaic 增强实现示例
def mosaic_augmentation(images, targets):
    output_h, output_w = 640, 640
    xc, yc = [int(random.uniform(output_w*0.25, output_w*0.75)) for _ in range(2)]
    indices = [random.randint(0, len(images)-1) for _ in range(3)]

    # 拼接四象限图像
    output_image = np.zeros((output_h, output_w, 3))
    output_image[:yc, :xc] = images[0][:yc, :xc]
    output_image[:yc, xc:] = images[1][:yc, output_w-xc:]
    output_image[yc:, :xc] = images[2][output_h-yc:, :xc]
    output_image[yc:, xc:] = images[3][output_h-yc:, output_w-xc:]

    # 调整标注框坐标
    # ...(省略坐标转换代码)
    return output_image, adjusted_targets

模型	mAP@0.5	训练速度(iter/s)	显存占用
Faster R-CNN	72.4	2.1	6.8GB
YOLOv3	68.7	8.5	4.2GB
RetinaNet	70.2	3.7	5.1GB

class VOCDataset(torch.utils.data.Dataset):
    def __init__(self, root, transforms=None):
        self.root = root
        self.transforms = transforms
        self.imgs = list(sorted(os.listdir(os.path.join(root, "JPEGImages"))))

    def __getitem__(self, idx):
        img_path = os.path.join(self.root, "JPEGImages", self.imgs[idx])
        xml_path = os.path.join(self.root, "Annotations", self.imgs[idx].replace(".jpg", ".xml"))

        # 解析 XML 标注
        tree = ET.parse(xml_path)
        root = tree.getroot()
        boxes, labels = [], []
        for obj in root.iter("object"):
            # 提取标注信息...
            boxes.append([xmin, ymin, xmax, ymax])
            labels.append(class_dict[obj.find("name").text])

        # 应用数据增强
        if self.transforms:
            img, boxes = self.transforms(img, boxes)

        return img, {"boxes": torch.FloatTensor(boxes), 
                    "labels": torch.LongTensor(labels)}

学习率预热：前 500 次迭代使用线性 warmup

梯度裁剪：防止梯度爆炸

torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=10)

验证集评估：每 2 个 epoch 计算一次 mAP

混合精度训练：可减少 30% 显存占用

scaler = torch.cuda.amp.GradScaler()
with torch.cuda.amp.autocast():
    outputs = model(images)
    loss = criterion(outputs, targets)
scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()