机器视觉-YoloV8小目标检测参考文章

本文内容基本摘抄自公众号文章: 小目标检测问题分析和优化思路

小目标检测面临的挑战:

• 可用特征少
• 定位精度要求高
• 数据集中的小目标数量占比少
• 小目标标注面积占比小
• 样本不均匀问题
• 小目标聚集问题
• 网络结构问题

优化思路1: 数据增强

数据增强是一个提升检测性能简单有效方法, 我们可以使用数据增强方法扩充数据集规模、丰富数据集的多样性，人为提升小目标在整个数据集中的占比，使得网络能充分学习到小目标的特征。
数据增强的方式：

• 复制粘贴增强(copy paste)， 随机将小目标在图像上多复制几个(纯抠图)， 或者将复制一块包含多个小目标的区域(带有背景context的抠图)，粘贴时可以随机做一些变换（缩放、翻折、旋转等）
• 过采样增强(Over sampling)，同一个图像文件多复制几份。
• 缩放和拼接(stitching), 将多个图像文件拼接成一个图像文件, yolov8 的 Mosaic 技术就是将4张图像进行翻转\缩放拼成1张图像送到网络中.

增加小目标检测层

• 使用YoloV8 P2模型
• 这篇文章增加小目标检测层, https://blog.csdn.net/m0_70388905/article/details/125392908 , 貌似只有两行参数和YoloV8 P2模型不一致.

使用SAHI技术

https://learnopencv.com/slicing-aided-hyper-inference/

引入注意力机制

解决问题: 目标和背景相似, 目标难以识别.
万字长文解析cv中的注意力机制 https://mp.weixin.qq.com/s/kt3iIuOD3lsZBTIbOSGN0g
https://blog.csdn.net/m0_70388905/article/details/128103103
https://zhuanlan.zhihu.com/p/650309601
https://blog.csdn.net/qq_43471945/category_12467149.html
https://blog.csdn.net/qq_43471945/article/details/132685642

改进特征融合方式

解决问题: 目标尺寸变化多样问题.
https://blog.csdn.net/m0_70388905/article/details/128103103
YOLOv8改进-bifpn https://blog.csdn.net/weixin_45303602/article/details/132135514
YOLOv8主干网络改进 添加加权双向金字塔结构的特征加强模块BiFPN https://zhuanlan.zhihu.com/p/674887344

购买高手的咨询

AI小怪兽 https://zhuanlan.zhihu.com/p/650309601
魔鬼面具 https://blog.csdn.net/qq_37706472
imagegeek https://blog.csdn.net/xss20072754?type=blog