误检极高

[sevenandseven]

Question

你好，我用您的代码在我自己的小目标的数据集上进行了测试，目前出现的两个问题，一个是小目标分误检率极高，另一个是针对细长型的小目标几乎检测不出来，请问这两个问题怎么解决？

补充信息

你好，我用您的代码在我自己的小目标的数据集上进行了测试，目前出现的两个问题，一个是小目标分误检率极高，另一个是针对细长型的小目标几乎检测不出来，请问这两个问题怎么解决？并且有支持onnx导出成engine的开源计划吗？

[xiuqhou]

请问在你自己使用的小目标数据集，其他方法也有误检率极高和检测不出来的问题吗？小目标一直是目标检测的难点，我可以给出几个建议：

1. 将训练和推理时采用的image_size增大，增加模型配置中的这几个参数：num_queries、level_filter_ratio、layer_filter_ratio，让更多的query参与预测，可能会提高对小目标的检测效果。
2. 采用更强的数据增强，在transforms/presets.py中你可以定义更复杂的数据增强，然后在configs/train_config.py中使用。
3. DETR论文中有提到它更适合检测大目标，对于小目标不存在优势，所以更优先推荐YOLO等基于卷积的方法。如果您只想用DETR方法，可以尝试我另一个仓库的Relation-DETR，实验发现它对于小目标的检测效果是比Salience-DETR和其他已有DETR要好的，当然速度和显存消耗也要更大。

ONNX导出engine应该只需要用trtexec转换一下.onnx文件就可以了，不需要增加什么额外的支持代码，如果导出过程存在问题可以在issue进行反馈，我有时间会进行修复。

[sevenandseven]

请问在你自己使用的小目标数据集，其他方法也有误检率极高和检测不出来的问题吗？小目标一直是目标检测的难点，我可以给出几个建议：

1. 将训练和推理时采用的image_size增大，增加模型配置中的这几个参数：num_queries、level_filter_ratio、layer_filter_ratio，让更多的query参与预测，可能会提高对小目标的检测效果。
2. 采用更强的数据增强，在transforms/presets.py中你可以定义更复杂的数据增强，然后在configs/train_config.py中使用。
3. DETR论文中有提到它更适合检测大目标，对于小目标不存在优势，所以更优先推荐YOLO等基于卷积的方法。如果您只想用DETR方法，可以尝试我另一个仓库的Relation-DETR，实验发现它对于小目标的检测效果是比Salience-DETR和其他已有DETR要好的，当然速度和显存消耗也要更大。

ONNX导出engine应该只需要用trtexec转换一下.onnx文件就可以了，不需要增加什么额外的支持代码，如果导出过程存在问题可以在issue进行反馈，我有时间会进行修复。

好的，感谢您的回复。