计算机视觉 / 系统课时

迭代困难样本

迭代困难样本

本课把线上和测试阶段发现的困难样本转化为可验证的模型改进:完成收集、筛选、重新标注、数据合并、增量训练和回归评估,形成一轮可追踪的闭环。

学习目标

  • 能定义并收集有价值的困难样本
  • 能在不破坏原有能力的前提下组织增量训练数据
  • 能用固定回归集判断本轮迭代是否真正有效

明确困难样本范围

困难样本不是所有预测错误的简单集合,而是能够代表稳定问题模式的样本,例如夜间小目标、强反光、严重遮挡、相似类别、罕见姿态和业务高风险误检。应保存原图、预测结果、模型版本、推理参数、来源场景和错误类型,便于复现。

收集后先去重并按场景分组。连续视频中的相邻帧高度相似,全部加入训练会造成数据偏置;可按时间间隔抽帧,或使用感知哈希筛除近重复图片。涉及隐私或敏感信息时,应在进入标注流程前完成脱敏。

重新标注并控制数据比例

困难样本应按现有标注规范重新审核,尤其检查漏标、类别边界和框选尺度。仅把困难样本追加到训练集可能使模型过度适应局部场景,因此通常要与原有代表性样本混合,并保留完全不参与训练的固定回归集。

建议将新困难样本划分为训练、验证和回归三部分。相同视频、同一拍摄点或同一事件的近似样本必须放在同一分组,避免画面泄漏导致评估结果虚高。

困难样本迭代闭环

从基线权重增量训练

先复制并更新数据集配置,使 train 指向“原训练数据 + 困难样本训练集”,val 指向本轮验证集。固定回归集不要写入训练配置,避免模型直接见到验收样本。

下面从基线最佳权重继续训练 30 个 epoch,并在训练后对固定回归集执行验证。路径需按项目实际目录修改。

bash
yolo detect train model=runs/detect/baseline/weights/best.pt data=data_v2.yaml epochs=30 imgsz=640 batch=16 lr0=0.001 close_mosaic=10 project=runs/detect name=hard-v2 exist_ok=True
yolo detect val model=runs/detect/hard-v2/weights/best.pt data=data_regression.yaml split=val imgsz=640 conf=0.001 iou=0.7 plots=True project=runs/regression name=hard-v2 exist_ok=True

预期输出

text
30 epochs completed in <TIME>.
Results saved to runs/detect/hard-v2
Class     Images  Instances  Box(P      R      mAP50  mAP50-95)
all       <N>     <N>        <P>        <R>    <MAP50> <MAP50_95>
Results saved to runs/regression/hard-v2

实际训练时间和指标会随硬件、数据量与模型规模变化。若显存不足,应先降低 batch,不要同时修改多项关键参数,否则难以判断效果变化来源。

比较改进而不是只看总分

验收必须同时比较基线模型与新模型。整体 mAP 只能说明平均表现,不能替代困难场景指标。应分别统计困难样本召回率、关键类别精确率、误检数量、漏检数量和原稳定场景是否退化。

一次迭代可采用以下通过条件:困难样本漏检明显下降;关键类别误检不增加;固定回归集的主要指标不低于基线容忍范围;推理速度和显存仍满足部署要求。若只在新样本上提升而旧场景明显下降,应降低困难样本占比、补回代表性旧数据或减小学习率。

固化版本与回滚信息

通过验收后,保存数据集版本、标注版本、训练命令、权重文件、指标报告和变更说明。模型名称应能关联数据版本与实验编号,发布前保留上一版权重和推理参数,确保出现异常时可以快速回滚。

困难样本库也要持续维护。已经解决的问题不必永久高比例重复加入训练,但应保留代表样本进入固定回归集,用来防止后续版本再次出现同类缺陷。

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

迭代困难样本

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