【目标检测实战】检测器至少需要多少图像？

作者：Changsin Lee 翻译：Happy 链接：Changsin Lee@Medium

不知你有没有想过：训练一个检测器至少需要多少图像？又该如何处理数据不平衡问题？

在这篇文章中，作者期望回答一下三个与目标检测训练数据相关的问题：

• 达成最大性能增益的最小数据集是多大？
• 如何处理类别不平衡问题？
• 采用新数据更新预训练模型的最佳姿势是哪个？

第一个问题的重要性并未得到足够的重视。一般来讲，预处理(数据收集、数据清洗、数据标注)占据了一个AI算法的至少80%时间。因此，我们希望以最小的投入获取最大的回报。

第二个问题对于任何实际AI项目来说都是一个常见问题：常见数据可以轻易得到一个好的性能，而不常见数据却很难得到好的性能。过采样与欠采样是解决类别不平衡常见的两种策略。

对与训练模型进行微调变得越来越重要，这是因为：一个AI模型无法满足所有应用场景，我们需要频繁的对其微调以适配新的数据(即跨域微调)。

接下来，作者将以YOLOv5+Korean Sidewalkd数据回答上述问题。

1YOLOv5

目标检测旨在对图像或视频中的实例进行定位与识别，即回答where与what这两个问题。在上图中，我们可以看到已标注bbox与label信息的行人、车辆、板凳。

为获得上述反馈，目标检测器需要定位目标在哪并识别它属于哪个类别，前者对应目标定位，后者对应目标分类。

为训练一个目标检测模型，我们需要准备一个包含图像以及对应目标位置+标签标注的数据集。然而，构建这样一个数据集非常耗时，幸运的是，已有许多公开数据集，COCO则是目标检测领域最常用数据集，它包含80个类别。

YOLO是目标检测领域应用最广泛的检测器(没有之一)，YOLOv5更是因为高效率、易部署、易扩展等受到诸多从业人员的追捧。基于YOLOv5而引申出了不少知名的检测器，如YOLOv5-lite就是其中佼佼者。

在后续文章中，我们以YOLOv5s为基础，除batch(16)与epoch(100)外，其他超参均为默认参数。

2Korean Sidewalk

该数据集包含670000+带标注信息的图像，其中有约352810带有bbox标注信息，故我们采用这部分用于模型训练，下图给出了该部分数据的分布以及类别信息。注：我们仅采用了top15类用于训练与测试。

关于该数据集有几个比较重要的信息：

• 类别不平衡：该数据集存在严重类别不平衡问题，top5占据了70%左右，top15占据了90+%，最常见的类别car在整个数据集中的比例高达24%(可参考上图)。
• 同一图像存在多实例：在每个图像中，存在多个同类别目标。比如，每个图像中包含3-4个car目标(这个很容易理解，因为数据就是人行道拍摄图像)。
• De-identified：人行道图像包含一些私人信息，如人脸、车牌。为保护信息，这个带有私人信息的图像在标注与发布之前进行了特殊处理，可参考下图的车牌。

该数据集的上述三个特性在实际AI算法研发过程中非常常见。因此，基于该数据集，让我们来对文章开头提到的几个问题进行探究吧。

3Minimum Dataset Size

按照《How many images do I need》一文所提到：影响模型性能的数据量的拐点在每个类别包含150-500张图像，即在该拐点之前，数据量的提升对模型性能影响非常显著，超过该拐点后性能增益趋于平稳。

为复现该实验并比较不同类别的性能增益，作者将数据集划分为以下三类：

• Top5：car、person、tree、pole、bollard
• Top10：traffic_sign、traffic_light、truck、moveable_ginage、potted_plant
• Top15：motor_cycle、bicycle、bus、chair、bench

上图给出了上述三类与整体性能伴随数据量增加的性能曲线，从中可以看到：

• Top5的性能拐点在300左右，这是因为每个图像中有多个实例；
• 150-500看起来是影响检测性能的一个比较可靠的拐点；
• Top15的性能同样服从类似的趋势，但因为存在低频目标导致拐点更出现的更晚。

4Countering the Class Imbalance

在上面的实验中，Top5迅速取得了非常的性能，但Top10与Top15紧随其后，但当每个类别的数量达到1000后期性能仍弱于Top5。显而易见，数据量少是主要原因。

前面也提到：过采样与欠采样是两种常见策略。由于该数据集存在严重不平衡，因此，我们同时进行低频目标数据进行过采样与高频目标数据欠采样。

上图给出了重采样前后数据量对比。由于数据的特性问题，完全平衡的数据集是不可获取的。比如，当对bus或motercycle进行采样时，我们不得不也对car进行处理。

上图给出了采样前后模型的性能对比。当然，性能增益不能只看数值。低频类别增多就意味着高频类别减少。可能低频类别的性能提升了，而高频类别的性能变差了很多。那么，我们该如何知道这是不是真的呢？

加权平均是一种非常好的技术，因此，我们对所得mAP进行加权平均。采样前后的性能对比见上图：很明显，重采样的性能增益仍有，但不会那么剧烈。

从该实验中，我们 可以学到：当进行模型训练时，你需要有一个合理的采样策略以及一个合理的度量准则。

5How to Update the Model

当把模型进行应用时，它可能面临不听的类别分布，甚至存在未训练的类别。为此，我们需要采用新数据集进行模型更新。在对模型进行更新时，有两种不同的策略：

• 仅使用新数据；
• 采用新+旧数据组合。

从上图可以看到：无论是随机采样还是重采样，组合数据均提供了更佳的结果。

与此同时，我们需要回答另一个新问题：从头开始训练 与 迁移学习哪种的性能更佳呢？从上图可以看到：两种训练策略并无明显差异。仅有的区别在于迁移学习具有更好的早期收敛性能。因此，当新数据很少时，迁移学习可以节省更多时间。

6Conclusion

从上述实验中我们学到了以下三点：

• 用于训练的最少图像数据量在150-500；
• 采用过采样与欠采样补偿类别不平衡问题，但需要对重平衡的数据分布非常谨慎；
• 模型的更新建议在新+旧组合数据集上进行迁移学习。