目标检测任务中的训练宝典 ｜实用技巧
特约作者 : Slumbers
最近正好在做检测项目，相对于分类任务而言，检测任务的优化策略少之又少，最近阅读了 @李沐老师 团队新出的论文Bag of Freebies for Training Object Detection Neural Networks中，提到了一些在不牺牲模型性能的前提下提升目标检测模型的tricks。
这篇论文我读完之后觉得CNN训练分类任务中可以执行的优化策略有不少重叠的地方，包括学习率热身、Label smoothing、 Cosine learning rate decay等都是可以在目标检测中使用的tricks，实验证明这些在分类上的tricks在目标检测领域也非常有效。
两篇论文都提到的一些可以使用的技术: mix up , label smoothing, cosine learning rate, warm up。除此之外，这篇论文还提到了一些单独增对检测任务的tricks如数据增量策略，跨卡BN和random shapes traning等。
Mix up
Mix up最早是用于解决对抗扰动的方法。是数据增量(data augmentation)的一种方法，每次随机取两个样本点
, 然后按照如下的混合方式生成一个新的样本点：
, 是从
分布中随机生成的。在mixup training中，只使用新的样本
进行训练。
Label Smoothing
Label Smoothing可以看作是一种正则化方法，对于ground truth(也就是标注数据）的分布进行混合。原始的ground truth 分布记为
,经过label Smoothing处理后的分布为：
其中
是一个小常量，而
是分类类别。这样处理可以减少模型对于标签的过度信赖，对于标签不够精确的情况有较好的效果。
Cosine learning rate decay
Step lr decay在每次切换学习率的时候容易引起震荡，cosine lr decay会更加平滑。具体做法是，假设batch的总迭代次数是T(忽略学习率热身阶段),初始学习率为
，那么在每次 t, 将学习率设为：
这个lr decay tensorflow和pytorch都是有现成的可用~一行可以搞定（下面列举的是pytorch版本）：
scheduler = CosineAnnealingLR(optimizer, T_max=epoch_num)Warm Up
训练初期由于离目标较远，一般需要选择大的学习率，但是使用过大的学习率容易导致不稳定性。所以可以做一个学习率热身阶段，在开始的时候先使用一个较小的学习率，然后当训练过程稳定的时候再把学习率调回去。比如说在热身阶段，将学习率从0调到初始学习率。举个例子，如果我们准备用m个batches来热身，准备的初始学习率是
,然后在每个batch
,将每次的学习率设为
最近在跑pytorch版本的mask rcnn，warm up虽然在官方pytorch版本中没有实现，但是在mask rcnn中已经提供实现啦，可以参见：https://github.com/facebookresearch/maskrcnn-benchmark/blob/master/maskrcnn_benchmark/solver/lr_scheduler.py
下面是单独对检测任务可以考虑的一些点：
数据增量策略
主流的数据增量方法包括几何变化(剪切翻转等）和色彩抖动（色彩对比度等）。对于目标检测来说，基于faster rcnn这种基于ROI的检测方法，因为本身检测的第一阶段已经生成了许多重复的候选区域，所以在数据增量时并不需要再去做几何变换。（本文末最后的实验表格也显示，data augmentation对于YOLO等单阶段检测很重要，对于Faster-RCNN影响不大）
Synchronized Batch Normalization
现有的标准BN是基于单GPU的，也就是说每个GPU上的样本进行了归一化，实际上的bathc-size变小了。对于分类任务而言，影响不大，但对于检测任务而言会对表现造成一定影响。使用Synchroinzed Batch Normalization（也就是垮卡BN）可以解决这个问题。这一点李沐老师在跨卡同步 Batch Normalization 中解释的很详细了。
Random Shapes Training
对于像YOLO这样的单阶段检测器来说，为了减小内存占用，一般会使用固定shape的图片进行训练。为了减小过拟合，可以使用Random shapes training。比如说，以YOLO例在训练过程中每隔多少个epoch就随机的{320, 352, 384, 416, 448, 480, 512, 544, 576, 608}中选择一个新的图片分辨率。这个技术在YOLO v3中就用过了。
最后论文中附上了上述tricks的效果~：
文章知乎地址 : https://zhuanlan.zhihu.com/p/56792817