发布！天池布匹疵点检测大赛解决方案与Baseline（acc:85%左右,mAP:52%左右）

阿里天池布匹疵点智能检测大赛正如火如荼进行，本次大赛目前共计有2415支队伍参赛，成为今年天池上最受关注最热门的算法大赛！

本文中52CV粉丝sloan、jianh对本次大赛进行了分析，提出了一个主流的解决方案，并于天池开源了代码。

该代码基于mmdection开源框架，结构清晰、步骤完整，对小白来说也简单易上手，可以很方便进一步优化参数和改进，结果达到acc 85%左右、mAP 52%左右。

包括：

1. 对mmdetection进行安装编译
2. 数据准备
3. mmdetection简单介绍
4. 修改配置文件
5. 本地训练
6. 本地测试
7. 生成提交结果

对于想要学习技术、参与本次大赛的朋友来说，应该有很大帮助。

任务分析

• 此次任务是布匹瑕疵检测，首先考虑的应该是目标检测框架。
• 当前目标检测主要分为one-stage和two-stage两种类型，以YOLO,SSD等框架为代表的one-stage速度快,以Faster-RCNN为代表的two-stage框架精度高。基于本次任务对于精度的要求较高，优先使用two-stage检测框架

数据分析

• 官方一共提供了9576张图片用于训练，其中有瑕疵图片5913张，无瑕疵图片3663张
• 瑕疵类别共有34个类别，在最终提交结果上对一些相似类别进行了合并后，共分为20个瑕疵类别。

对各类别长宽比聚类结果

可见面临的挑战：

• 目标类别分布不均衡
• 目标类别的形状差异大，有些目标相对原图过小，而有些目标呈现细长状的
• 标注不贴合，包括很多背景信息

模型选择

• 采用cascade-rcnn网络进行检测，backbone采用resnet50进行特征提取。
• 考虑到样本的长宽比差异较大，通过聚类分析可以发现，原始的anchor并不能满足当前任务的需要，通过增加anchor数目，提高检测性能。
• 考虑到样本尺度差异大，加入FPN提高检测性能。
• 考虑到样本的形状不规则，加入DCN可变形卷积，增强特征提取能力，提高检测性能。
• 用RoI Align 代替 RoI Pooling 消除量化过程不精准性，从而获得更精准的候选框的特征，提高检测性能。

开源地址：

https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12282027.0.0.6207379cSDoRJ0&postId=74264

评测结果：