小目标检测:基于切图检测的yolov5小目标训练

目前在目标检测方面有着众多的检测框架，比如两阶段的FasterRcnn、以及yolo系列的众多模型。yolo系列在实际中用的最多，一方面性能确实不错，另一方面具有着较多的改进型系列。今天我们主要使用的yolov5系列。具体原理过程就不多说了，大家自行百度。放一张v5的网络结构图。

 

在目标检测中小目标检测尤为困难，而众多yolo系列的预训练模型主要针对COCO数据集来训练的，整体的MAP看上去还不错，但是用到小目标确实不行，尤其是图像尺寸比较大的小目标，那效果更是辣眼睛了。

在众多文章中有对小目标进行改进的比如添加一个检测头(四个检测头，对一些数据集确实有一定的作用)，再者一些博客有介绍多添加各种注意力机制或者一些模块改进，当然了也有一些人评判添加注意力机制的，认为它作用甚小，甚至有人认为他只是水水论文作用，对此我只是呵呵一笑哦，实践才是检测真理的唯一标准，不能因为一个注意力在你得数据集上不行就否定了整个注意力，ppyolo系列中还明确的表示了添加了注意力机制了。

还有一些博客认为添加无脑的添加数据集，扩大训练尺寸就很不错，确实这样带来的效果也是有着明显的提升，但是这不是学术也不是demo，在实际的工程中部署会涉及到很多，模型的推理速度，以及你训练时候的显存。。。。。。

下面介绍一种大家其实都知道的一种方法，切图(1、滑动切图；2、中心切图)切图里面的细节有很多，这里采用的是滑动切图，想要了解其他的可以参考：这里有江大白老师介绍的很多trick去使用。

基于大尺寸图像的小目标检测竞赛经验总结 (qq.com)

1、滑动切图

下面这张图可以很好的解释。

 

大家切割的时候可以参考下面的博客：

(1条消息) 滑动窗口切割图片并重定位标注框_Lavi_qq_2910138025的博客-CSDN博客

(1条消息) YOLOV5 模型和代码修改——针对小目标识别_xiaoY322的博客-CSDN博客

下面我将使用DOTA进行切割：

原图：

 

切割之后的图：

下面就是正常的训练。。。。。。。。。。。。。。。。。。。。