Kaggle競(jìng)賽中使用YoloV5將物體檢測(cè)的性能翻倍的心路歷程

我花了三個(gè)月的時(shí)間深入研究物體檢測(cè)。我嘗試了很多方法，從實(shí)現(xiàn)最先進(jìn)的模型，如YoloV5、VFNets、DETR，到將目標(biāo)檢測(cè)模型與圖像分類(lèi)模型融合以提高性能。在比賽的早期階段，我努力提高基準(zhǔn)模型的分?jǐn)?shù)，但我找不到有用的在線資源，這就是我寫(xiě)這篇文章的原因。我想帶你們踏上一段從頭到尾的旅程，簡(jiǎn)要地向你們展示我所走的每一步，我的成績(jī)幾乎翻了一倍。

官方的競(jìng)賽指標(biāo)是(mean) Average Precision，這是最常用的目標(biāo)檢測(cè)指標(biāo)之一。為了向你展示每一步的進(jìn)步，我將在旁邊加上它的分?jǐn)?shù)。

1、第一步是建立一個(gè)簡(jiǎn)單的基線，0.126 mAP

我敢肯定，這是大量數(shù)據(jù)科學(xué)家早前落入的陷阱。我們總是很興奮地用我們能想到的每一種技術(shù)來(lái)做最復(fù)雜的模型。這是一個(gè)巨大的錯(cuò)誤，你最終會(huì)感到沮喪并離開(kāi)ML項(xiàng)目，即使你不這樣做，你也很可能會(huì)過(guò)擬合。

我經(jīng)歷了慘痛的教訓(xùn)，但最終還是用以下規(guī)范構(gòu)建了一個(gè)初始模型：

• YoloV5-XL
• 圖像的分辨率從3K調(diào)整為512

我知道這聽(tīng)起來(lái)很簡(jiǎn)單，一開(kāi)始我也是這么想的。但是，實(shí)際上，構(gòu)建基線可能是最煩人的步驟之一。因?yàn)橛泻芏嗖襟E，比如將輸出處理成競(jìng)賽的格式等等(我不想深入討論)。

另外，我實(shí)際的初始YoloV5-XL模型只有0.064(上面的一半)，我花了2周的時(shí)間調(diào)試它，結(jié)果發(fā)現(xiàn)我沒(méi)有正確地歸一化輸入數(shù)據(jù)！

2、去掉一個(gè)輸入類(lèi)別！0.143 mAP (+13%)

這個(gè)trick當(dāng)時(shí)對(duì)我來(lái)說(shuō)沒(méi)有多大意義。14個(gè)輸入類(lèi)別，13種不同疾病，1個(gè)“No Finding”類(lèi)別。大約70%的數(shù)據(jù)集屬于“No Finding”類(lèi)，只有30%屬于其他類(lèi)。有個(gè)參賽者發(fā)現(xiàn)，你可以去掉這個(gè)類(lèi)，并使用“2 class filter”技巧來(lái)預(yù)測(cè)它(見(jiàn)下文)。這使得數(shù)據(jù)集的傾斜度大大降低。此外，它允許訓(xùn)練明顯更快(因?yàn)槟銓⒂?xùn)練更少的圖像)。

3、增加訓(xùn)練和推理圖像的分辨率，0.169 mAP (+18%)

第二步是將圖像分辨率從512提高到1024。這是一個(gè)微不足道的改進(jìn)，但我想在這里傳達(dá)的重點(diǎn)是，如果我以這個(gè)分辨率開(kāi)始，我可能不會(huì)進(jìn)一步提高我的分?jǐn)?shù)。原因很簡(jiǎn)單，因?yàn)樵谶@個(gè)更高的分辨率上進(jìn)行訓(xùn)練會(huì)導(dǎo)致批大小從16減少到4(為了不耗盡GPU內(nèi)存)，這大大減慢了訓(xùn)練過(guò)程。這意味著更慢的實(shí)驗(yàn)，你不會(huì)想用更慢的實(shí)驗(yàn)來(lái)比賽……

4、融合EfficientNet和YoloV5，0.196 mAP (+16%)

這不是我的主意，我是從一個(gè)public kernel中得到的想法。但是，這是我在Kaggle比賽中遇到的最好的主意之一。我想強(qiáng)調(diào)的是，在Kaggle上進(jìn)行比賽的一個(gè)主要好處是你可以從社區(qū)中學(xué)到很多東西。

這里的主要思想是訓(xùn)練一個(gè)圖像分類(lèi)模型(EfficientNet)，它可以實(shí)現(xiàn)非常高的AUC(約0.99)，并找到一種方法將其與目標(biāo)檢測(cè)模型融合。這被稱為“2 class filter”，比賽中的每個(gè)人都采用了這個(gè)方法，因?yàn)樗蟠筇岣吡朔謹(jǐn)?shù)。我會(huì)在下一篇文章中介紹。

5、加權(quán)框融合(WBF)后處理，0.226 mAP (+15%)

這對(duì)我來(lái)說(shuō)也是一個(gè)全新的想法，在網(wǎng)上很難找到。加權(quán)框融合是一種對(duì)目標(biāo)檢測(cè)模型產(chǎn)生的框進(jìn)行過(guò)濾，從而使結(jié)果更加準(zhǔn)確和正確的技術(shù)。它的性能超過(guò)了現(xiàn)有的類(lèi)似方法，如NMS和soft-NMS。具體內(nèi)容我會(huì)在另一篇文章介紹。

應(yīng)用WBF的結(jié)果是這樣的：

6、用5折交叉驗(yàn)證使用WBF融合，0.256 mAP (+13%)

我犯過(guò)的一個(gè)最大的錯(cuò)誤是我忘記做交叉驗(yàn)證，這也是我寫(xiě)這篇文章的主要原因之一，就是為了強(qiáng)調(diào)ML基礎(chǔ)知識(shí)的重要性。我太專注于應(yīng)用新技術(shù)和提高性能，以至于忘記了應(yīng)用這個(gè)基本的ML技術(shù)。

如果你想知道我是如何得到0.256的，那是因?yàn)槲易x了一些在競(jìng)賽結(jié)束后發(fā)布的解決方案，這是在類(lèi)似于我的模型的交叉驗(yàn)證后他們大多數(shù)能得到的結(jié)果。最終的pipeline可以在這里看到：

7、我嘗試過(guò)的其他的東西，但是沒(méi)有成功

1. DETR訓(xùn)練。DETR是一個(gè)了不起的目標(biāo)檢測(cè)transformer ，我想把它實(shí)踐，但是，我沒(méi)有發(fā)現(xiàn)他們提供的代碼文檔有什么幫助，我也找不到很多有用的資源。此外，我花了大約3周的時(shí)間(大約是比賽持續(xù)時(shí)間的四分之一)嘗試讓它工作。我這么說(shuō)的原因是，雖然離開(kāi)你一直在研究的解決方案可能很難，但在實(shí)驗(yàn)性ML的世界里，這有時(shí)不得不做，說(shuō)實(shí)話，我希望我可以早一點(diǎn)離開(kāi)。但是，好的一面是，我發(fā)現(xiàn)另一個(gè)名為MMDetection的庫(kù)提供了DETR，而且使用起來(lái)容易得多。
2. WBF預(yù)處理，雖然很多競(jìng)爭(zhēng)對(duì)手都說(shuō)這提高了他們的分?jǐn)?shù)，但并沒(méi)有提高我的分?jǐn)?shù)。這就是ML的特點(diǎn)，并不是所有的技術(shù)都能以同樣的方式使不同的模型受益。

我最終的代碼：https://github.com/mostafaibrahim17/VinBigData-Chest-Xrays-Object-detection-