A
目标检测报 mAP 时,小目标被漏掉有时不会显著拉低整体指标,因为大目标类别样本多、AP 高,平均之后把小目标稀释了。
建议把指标按尺度拆开报:
AP_small / AP_medium / AP_large(按 COCO 的面积分档口径)
再补两类业务指标:每图漏检数、单类别召回率。整体 mAP 只作为摘要。
小目标难在哪:
1) 下采样后特征图上目标只剩几个像素,浅层细节在深层几乎消失。
2) 正样本分配对 IoU 敏感。小目标框抖一点,IoU 就从 0.6 掉到 0.3,容易被判成负样本。
3) 输入分辨率与 anchor/先验尺度不匹配。
排查顺序:
- 先看标注质量:小目标漏标、框偏几个像素,训练信号就非常脏。抽查 200 张比调模型更有效。
- 再看正样本数量统计:每类、每尺度分配到的正样本数,太少就要调分配阈值或加特征层。
- 然后试提高输入分辨率、加高分辨率检测头、做切图推理(tiling)并处理好切片边界去重。
- 最后才考虑换骨干网络。
评估注意:切图推理会改变尺度分布,上线前的验证集必须与实际推理策略一致;置信度阈值调整要同时报 precision/recall,不要只挑一个好看的点。
结论:小目标问题先查「数据 + 指标口径」,再查结构。用整体 mAP 做验收,很容易把问题藏起来。
建议把指标按尺度拆开报:
AP_small / AP_medium / AP_large(按 COCO 的面积分档口径)
再补两类业务指标:每图漏检数、单类别召回率。整体 mAP 只作为摘要。
小目标难在哪:
1) 下采样后特征图上目标只剩几个像素,浅层细节在深层几乎消失。
2) 正样本分配对 IoU 敏感。小目标框抖一点,IoU 就从 0.6 掉到 0.3,容易被判成负样本。
3) 输入分辨率与 anchor/先验尺度不匹配。
排查顺序:
- 先看标注质量:小目标漏标、框偏几个像素,训练信号就非常脏。抽查 200 张比调模型更有效。
- 再看正样本数量统计:每类、每尺度分配到的正样本数,太少就要调分配阈值或加特征层。
- 然后试提高输入分辨率、加高分辨率检测头、做切图推理(tiling)并处理好切片边界去重。
- 最后才考虑换骨干网络。
评估注意:切图推理会改变尺度分布,上线前的验证集必须与实际推理策略一致;置信度阈值调整要同时报 precision/recall,不要只挑一个好看的点。
结论:小目标问题先查「数据 + 指标口径」,再查结构。用整体 mAP 做验收,很容易把问题藏起来。