Rethinking Training from Scratch for Object Detection

Rethinking Training from Scratch for Object Detection

一. 概述

正常训练目标检测的流程分为以下几种：

• 在imagenet上进行预训练，然后在特定数据集进行tune
• 直接在数据集上进行从头训练

两种方式各有千秋，前者可以很快收敛（在特定数据集收敛快），但是训练复杂（预训练实际长）。后者直接训练较为容易（尤其在修改模型结构时），但是训练周期较长（比tune阶段长很多）。这篇文章就是解决从头训练的时长问题，从而达到集成两者的优点（夸大其词的说法）。

二. 流程

论文比较简单，这里进行总结如下：

代码地址: 链接地址
论文地址: 链接地址

• 精度和 \(batchsize\) 有关，且在一定范围内，越大越好。
• 精度和图像的分辨率（大小）有关，且图像越大分辨率越好，图像过小对精度影响较小。
• 精度和缩放有关，按照分类的缩放进行，不仅提高速度，且精度也比正常缩放效果好。
• 精度和BN层有关，正相关。

按照上述的总结，论文进行改进的训练如下：

1. 使用BN层（当前网络基础结构）

2. Pretrained先用小尺度图像进行训练，\(batchsize\)设置较大

3. 数据处理部分-->先将图像缩放到 \((H,W)\times(1.0,1.2)\) ,随机RandomCrop-->\((H,W)\)，最后进行Padding到 \((h，W)\)

4. Finetune阶段按照正常训练即可

三. 总结

1. 有一定使用意义，对于大数据集，直接使用此方法较好。
2. 对于小的数据集，还是重新训练imagenet比较好
3. VOC的数据集太小，而且分布较为散乱，这里对比意义不大。
4. 笔者会在实际数据集上尝试之后进行补充（TODO）

2021.6.22补充：

使用YOLOV5-Small在mmdetection环境下，第一阶段完全按照作者的方式进行，训练100Epoch，初始学习率0.01，最终降低到0.01/20。第二阶段修改为1）20%概率Mosaic数据增强。2）输入大小修改为800。3)增加100%颜色扰动。学习率和第一个阶段相同，训练100Epoch。\(mAP=0.28\)

直接进行训练，不使用预训练模型，学习率相同，训练300epoch，\(mAP=29.6\)

总结： 由于参数和论文有所差异，所以这个实验不完全准确。但是可以确定的是==>此论文方案可以加快训练速度，但是精度需要调参才能提高，而且和数据集关系较大！笔者建议缺卡的学生可以使用，其它情况没必要在这浪费时间。