Detect Outfits

• 基于 yolov5 训练检测模型，[email protected] 达 0.525
• 发现 pycocotools 的一个 bug，已提交 PR

训练

• 验证集占比 0.2

• 数据格式

  原始数据集为 coco 格式，需要和 yolov5 的数据格式，互做转换

评估

• 用 cocoeval 脚本评估模型效果，AP 指标

  cocoeval 有一个 bug。

  我的修复：fix imgIds mismatch problem by garrisonz · Pull Request #595 · cocodataset/cocoapi · GitHub

  bug 的描述：

  当 img_id $\in$ [int.MAX + 1, uint.MAX] 时，img_ids 作为 numpy.aray 自动转为 float，则

  $\to$ 数值精度会丢失，img_id 出现不匹配的情况

  $\to$ 大量真实图像的标注数据无法读取

  $\to$ AP 计算虚高

• 本地跑 AP 指标

  预测结果，转换为 coco 格式后，在平台服务器评估模型，无法得到正确的 AP 指标。

  因此，在本地，对验证集，用修复后 cocoeval 跑 AP 指标

• 标注本身不完整，AP 存在误差

  分析腰带的预测时，发现标注不完整。

  腰带的验证集有 4 张图像

  一个版本的模型，预测到 3 张图片，其中 2 张确实包含腰带。

  但是，这两张图片，并没有标注，导致腰带的 AP 为 0.

  因此，数据集的 AP 评分本身，存在误差。对于小样本的类别，AP 误差明显。

训练环境

• colab GPU

• PyTorch

竞赛：CowBoy Outfits Detection | Kaggle

参考：

• [Training]cowboy_object_detection_YOLOv5🤠 | Kaggle

• [Rank 5th]Challenge with imbalanced training data

坑

• 数据不平衡

  类别	标注框个数
  belt	25
  sunglasses	2330
  cowboy_hat	595
  boot	449
  jacket	2195
  总	5594

  腰带的样本数很少，尝试增加腰带样本的数量，令腰带的样本数期望达到 500 个，但是模型的效果没有提升，反而有所下降。

  无重采样，检测到的腰带正确率 8 / 11

  重采样，检测到的腰带正确率 2 / 3

  可见，无重采样，效果反而更好。

  原因猜测：是因为重新采样，导致每张腰带图像，都复制了 20+ 张，较多的重复图像，导致模型偏差严重，影响效果。再进一步的分析，暂时没有思路。