第6名解决方案：YOLOv5m6/s6，相信CV，后处理分类

恭喜所有相信自己的 CV（交叉验证）分数的团队，Private Board（私有排行榜）的排名发生了巨大的震荡。感谢我的队友 @khyeh0719 和 @trushk，我在这次比赛中经历了一段很棒的旅程。

流程架构

相信你的 CV（交叉验证）

我们按 video_id 划分数据，并在整个 OOF（Out-of-Fold）数据上计算 F2 分数，发现了一些有趣的事情：

1. CV 显示，当推理图像分辨率 = 训练图像分辨率时，模型效果很好；但 LB（Public Leaderboard）需要 X2~X2.5 的推理分辨率才能获得不错的分数。
2. 跟踪技术（Track）在 CV 和 LB 上都提高了约 0.002 的分数。
3. 后处理分类在 CV 和 LB 上都提高了约 0.006~0.01 的分数。
4. 使用低置信度进行推理并结合 WBF（加权框融合）集成，给我们带来了约 0.02 的提升。

最终我们基于以下策略选择了 4 个提交结果：

1. 最佳 CV 提交（正常分辨率） -> LB 0.616 / Private 0.723
2. 最佳 LB 提交 -> LB 0.716 / Private 0.692 (巨大震荡)
3. 最佳 CV X1.5 分辨率 -> LB 0.668 / Private 0.727
4. 最佳 CV X2.0 分辨率 -> LB 0.700 / Private 0.711

最佳 CV 模型

1. 后处理分类使用 swin-transformer
2. 跟踪使用 nofair 公共设置
3. WBF 集成
4. 单模型如下表所示：