YOLO之Mini_Rect Training(矩形训练)

        mini_rect training 又称矩形训练，是从YOLOV3开始引入的一个训练技巧。在YOLOV3之前的网络训练都是Square training，即输入图片是正方形，如 416*416、 640*640等。

        Square training的优点是，图片的大小一致，方便训练处理；缺点是，在填充图片的过程中，引入了冗余信息，并且这一部分信息对于样本来说属于完全无用数据，增加了训练计算量。

        下面第一张图为原始图像，分辨率为810*1080，进行正方形训练对图像进行处理后填充到640*640后如下第二张图所示，左右填充了冗余数据。

        为了优化这个问题，从yolov3开始提出mini_rect training 训练策略。

        mini_rect training 即对图片进行加载时，将原始图片的较长的边填充到最大长度，短边只填充到32的倍数。

        处理代码如下：

         经过处理后，大大缩小了原来正方形训练时引入冗余信息。矩形训练引入较少的冗余信息，可以加快训练速度。如下图所示处理后分辨率为512*640， 左右冗余数据明显减少。

        如果采用mini_rect training，那么整个batch内的图片的shape要一致，这就需要计算这个符合整个batch的shape。而且还要对数据集按照高宽比进行排序，这样才能保证同一个batch的图片的形状差不多相同，再选则一个共同的shape代价也比较小。

        以下为yolov5/8下处理batch shape大小代码：

        这就导致在dataloader时不能使用shuffle功能，如果使用shuffle功能，将随机打乱图片顺序，不能保证在一个batch处理时数据尺寸基本一致。在YOLOV8中同时设置 rect 和 shuffle会报警告信息，并禁用shuffle操作。

        总结，mini_rect training是为了减少冗余信息，提高训练推理速度及精度，使用mini_rect training时不能使用shuffle操作。