说明

• 此篇文章写作时，ultralytics更新至8.0.117，后续版本可能已经针对以下问题进行更改；
• 因ultralytics当前更新比较频繁，前期使用时，不建议采用pip安装库，而采用拉取ultralytics仓放置在代码中调用；
• ultralytics训练过程中没有保留在验证集上的检测图，建议保留，方式为：屏蔽ultralytics/yolo/engine/validator.py BaseValidator类__call__函数中以下代码：

#self.args.plots = trainer.stopper.possible_stop or (trainer.epoch == trainer.epochs - 1)

• 跟踪训练过程中训练集和验证集上检测框最大边长：

  • 训练集上最大边长：ultralytics/yolo/utils/loss.py（此为8.0.117版本位置，前期版本位置不太一样，找到训练的loss函数即可），在loss函数中加入打印，即以下代码中的print

    
    pred_bboxes = self.bbox_decode(anchor_points, pred_distri)  # xyxy, (b, h*w, 4)
    AA = (pred_bboxes.detach() * stride_tensor)
    print('pred w max:', (AA[:,:,2]-AA[:,:,0]).max())
    print('pred h max:', (AA[:,:,3]-AA[:,:,1]).max())
    _, target_bboxes, target_scores, fg_mask, target_gt_idx = self.assigner(
    pred_scores.detach().sigmoid(), (pred_bboxes.detach() * stride_tensor).type(gt_bboxes.dtype),
    anchor_points * stride_tensor, gt_labels, gt_bboxes, mask_gt)
    

  • 验证集上最大边长：ultralytics/yolo/utils/plotting.py中 output_to_target函数中加入打印，以下代码中的try … except…代码：

    def output_to_target(output, max_det=300):"""Convert model output to target format [batch_id, class_id, x, y, w, h, conf] for plotting."""targets = []for i, o in enumerate(output):box, conf, cls = o[:max_det, :6].cpu().split((4, 1, 1), 1)try:print('max w:', (box[:, 2] - box[:, 0]).max())print('max h:', (box[:, 3] - box[:, 1]).max())except Exception as e:print(e)j = torch.full((conf.shape[0], 1), i)targets.append(torch.cat((j, cls, xyxy2xywh(box), conf), 1))targets = torch.cat(targets, 0).numpy()return targets[:, 0], targets[:, 1], targets[:, 2:]
    

问题描述

1. 无论是目标检测还是实例分割，当图像中存在非常大的目标时，检测框过小；

解决方案

1. 修改ultralytics/nn/modules/head.py Detect类的参数self.reg_max为更大值，使得$(self.reg\_max-1)\ast 2\ast max\_stride$>最大目标边长

所能检出框的最大边长为$(self.reg\_max-1)\ast 2\ast max\_stride$, 原始yolov8中，strides为[8, 16, 32]，self.reg_max为16，因此检测框的最大边长为(16-1)x2x32=960

2. 如果1调整后检测框依然过小，请按照以下方式调整：

• 检查训练数据标签有无问题；

• 如果自行更改了ultralytics仓的代码，请确认更改的代码是否正确；

• 将self.reg_max设置为1，即不采用dfl loss，查看检测框是否正常；

• 如果不采用dfl loss检测框正常时，可选择不采用dfl训练，如果想继续采用dfl训练时，要调节各loss函数的权重、batchsize和初始学习率：

  分析：dfl loss是检测框和真实框比较相近时（即在真实框的某个相近范围内），loss就会很小，个人理解是一种软标签，而我们平时用的box loss是硬标签，此时要加大box loss在loss中的权重

  • Step1: 在训练集中随机挑选200张左右作为训练集，加快验证速度；
  • Step2: box loss的权重扩大为原来的2倍，训练30个epoch左右，观察验证集上的检测框是否正常；
  • step3: 如果检测框依然过小，尝试将初始学习率扩大为原来的2倍、4倍、5倍，训练30个epoch左右，观察验证集上的检测框是否正常；
  • step4: 重复step2和step3直至检测框正常；
  • step5: 更换为原始数据集，注：如果调大batchsize, 初始学习率也要相应增大；