计算机视觉 / 系统课时

处理类别不平衡

处理类别不平衡

本课将从 YOLO 标签中统计每个类别的目标实例数,判断不平衡来自数据不足、标注错误还是困难样本缺失,并建立补数据、采样和验证的处理顺序。

学习目标

  • 统计并解释各类别的图片覆盖量与目标实例量
  • 根据不平衡原因选择补充数据、调整采样或困难样本整理
  • 使用分类型指标验证少数类改善是否以牺牲多数类为代价

先用实例分布定位问题

目标检测中的一张图片可能同时包含多个类别,因此只统计图片数量容易误判。应至少同时关注每类目标实例数、包含该类的图片数,以及少数类在不同场景、尺寸和遮挡条件下是否都有覆盖。

类别不平衡的诊断与修复流程

Ultralytics 的问题排查说明指出,类别不平衡可能使模型偏向更常见的类别;性能评估应继续查看每个类别的精确率、召回率和 mAP,而不是只看总体均值。:contentReference[oaicite:1]{index=1}

统计 YOLO 标签实例数

下面的脚本读取 labels/train 下的 YOLO 文本标签。每行第一个数字是类别 ID,脚本会统计目标实例数,并计算最大类与最小非零类的比例。

python
from __future__ import annotations

import argparse
from collections import Counter
from pathlib import Path

def count_instances(labels_dir: Path) -> Counter[int]:
    counts: Counter[int] = Counter()
    for label_file in labels_dir.rglob("*.txt"):
        for line_no, raw_line in enumerate(
            label_file.read_text(encoding="utf-8").splitlines(), start=1
        ):
            line = raw_line.strip()
            if not line:
                continue
            parts = line.split()
            try:
                class_id = int(parts[0])
            except (ValueError, IndexError) as exc:
                raise ValueError(
                    f"{label_file}:{line_no} 的类别 ID 无效"
                ) from exc
            counts[class_id] += 1
    return counts

def main() -> None:
    parser = argparse.ArgumentParser(description="统计 YOLO 标签中的类别实例数")
    parser.add_argument("labels_dir", type=Path)
    parser.add_argument(
        "--names",
        default="",
        help="按类别 ID 顺序提供逗号分隔名称,例如 helmet,vest,no_helmet",
    )
    args = parser.parse_args()

    if not args.labels_dir.is_dir():
        raise SystemExit(f"标签目录不存在:{args.labels_dir}")

    names = [name.strip() for name in args.names.split(",") if name.strip()]
    counts = count_instances(args.labels_dir)
    all_ids = sorted(set(counts) | set(range(len(names))))

    for class_id in all_ids:
        class_name = names[class_id] if class_id < len(names) else f"class_{class_id}"
        print(f"{class_id} {class_name}: {counts[class_id]}")

    positive_counts = [value for value in counts.values() if value > 0]
    if positive_counts:
        ratio = max(positive_counts) / min(positive_counts)
        print(f"最大类/最小类实例比:{ratio:.2f}")
    else:
        print("未发现有效目标实例")

if __name__ == "__main__":
    main()

将脚本保存为 count_classes.py 后运行,<PATH> 替换为数据集路径。

bash
python count_classes.py <PATH>/labels/train --names helmet,vest,no_helmet

预期输出

text
0 helmet: <COUNT>
1 vest: <COUNT>
2 no_helmet: <COUNT>
最大类/最小类实例比:<RATIO>

<COUNT> 和 <RATIO> 由当前数据集决定。若某个已配置类别输出为 0,先检查标签类别 ID、dataset.yaml 中的名称顺序和数据划分,不要直接进入重采样。

按原因选择修复方式

优先修复标注问题。类别映射错误、漏标和同一对象标成多个类别,会制造比单纯数量不足更严重的监督噪声。抽查少数类及其相邻易混类别,确认边界框、类别 ID 和标注规则一致。

真实数据不足时,优先补充少数类在不同光照、距离、背景和遮挡下的样本。只复制同一批图片虽然能增加出现次数,但不会增加信息量,重复过多还可能使模型记住背景。

需要调整采样时,应以“包含少数类的图片”为采样单位,并注意这些图片是否同时含有多数类。少量提高其出现概率即可,验证集必须保持真实业务分布,不能跟随训练集一起过采样。

整理困难样本

困难正样本是模型经常漏检的少数类,例如远距离、严重遮挡或边缘目标;困难负样本则是不含目标但经常被误检的背景。将这些样本复核标注后加入训练集,通常比无差别复制普通样本更有效。

困难样本应来自训练集或新增数据,不能把验证集失败样本直接搬入训练集后继续使用原验证结果,否则会产生数据泄漏。可以保留一份从未参与调参的测试集,作为最终验收依据。

用分类型指标验收

完成数据调整后,使用同一验证集评估新模型。<PATH> 替换为实际权重和数据配置路径。

bash
yolo detect val \
  model=<PATH>/best.pt \
  data=<PATH>/dataset.yaml \
  imgsz=640 \
  plots=True

预期结果

text
验证任务完成并输出总体及各类别指标。
混淆矩阵、PR 曲线等图表写入运行目录,实际路径和日志格式可能随版本不同。

验收时先看少数类召回率和 mAP 是否提高,再确认多数类没有明显退化。若总体 mAP 上升但关键少数类仍无改善,应继续补充该类的真实场景覆盖,而不是只增加训练轮数。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

处理类别不平衡

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通