YOLOv5小目标检测（方法与评价）

问题：

当我们在对小目标数据集进行检测时，发现无论如何都有一些漏检的，其中我们也添加一些模块，以及其他的一些改进方法，如注意力、激活函数等等，结果始终不会令人满意，map也没有丝毫的提升。

目的：

增加对小目标的检测能力，不能产生漏检！

自述：

许多关于小目标的资料，包括知网上的一些期刊，真的是无力吐槽，可能他们也只是提供方法，而不考虑结果吧，虽然注意力机制个别情况确实有效，但这种几率太低太低（陨石撞地球）。

还有一些增加小目标检测层来提高检测能力的文章，这种提高的可能只有50%（基本没用），map只会直线下降。

提高map只能靠不断尝试，不是在网上随便拷个检测层就能提高的，需要在固定的层数添加，大部分跟着其他博主的博客进行操作，都不会有提升的，不是自己数据集的问题，而是自己的添加层有问题，如果只想靠一个注意力和检测层就提高map的话，那基本就是痴心妄想了，不要被一些博主的几句话封固自己的想法，实践是检验真理的唯一标准。

下面放几张我的小目标检测图片：

 

 

方法：

达到工业级别的检测能力与精度，需要不断地进行迭代更新与完善；而不是说我训练个模型，map达到了99%以上就能满足工业检测需求（例如知网上的很多论文....），map高并不代表检测能力好，反而他的泛化能力差，并且工业检测也不看map值

最简单直接的方法就是从数据集下手，并且先考虑这种方法不用担心之后的检测能力出现大的失误，并且还有可能会被检测环境所影响。可以考虑数据集的类别数量不要过多，否则导致误检率的提高，每种类别的图片数量差距不要太大，否则也会产生过拟合的现象；如果误检情况比较严重，可以添加少量的负样本；在保持每种类别数量较为平均的状态下，可能扩充一下数据集，增强一下学习能力，这都是比较有效的提升方法。

结束：

如果是要写论文，或许可以多尝试一下改动检测层，注意力的话不要浪费太多时间；工业的检测讲究速度与精度，在这方面还是有很多可以尝试的改进点，欢迎一起交流。