第10名方案 — 2xYOLOv5 + 跟踪

祝贺所有参赛者，非常感谢组织者。这是一场充满挑战且有趣的比赛。

这篇文章是与 @danjafish 联合撰写的，我们要向我们的团队表示衷心的感谢。

摘要

我们的解决方案是两个不同训练方式的 YOLOv5 模型的集成 + 跟踪算法。

我们的最终提交代码在此处可用：
https://www.kaggle.com/parapapapam/2xyolov5l6-tracking-lb-0-678-private-0-722

模型

在我们的解决方案中，我们使用了两个以不同方式训练的 YOLOv5 模型。

YOLOv5l6 1280

(作者: @parapapapam)

思路

本次比赛的主要技巧是使用高分辨率。但是，当你仅仅调整图像大小时，你增加了噪声而没有添加任何额外的信息，所以效果更好的原因并不在于图像本身。

我的假设是，这种效果的原因在于小目标的锚框分配。当你增加图像分辨率时，你使目标变大，但锚框网格步长是相同的，因此你获得了更好的对齐，模型效果更好。

因此，我决定不增加输入分辨率，而是在模型内部使用更高的分辨率。为此，我将第二个卷积层的步长从 2 改为 1：

...
[-1, 1, Conv, [128, 3, 1]],  # 1-P2/4
...

因此，该模型从第 3 个卷积层开始将具有 2 倍的分辨率，并且应该表现得像 2560 模型一样，但无需调整原始图像大小。

验证策略

按视频分割。视频 1 用作验证集。提交模型在视频 0 和 1 上重新训练，并在视频 2 上进行验证。

数据

我使用了 Kaggle 数据，并进行了 6 轮标签修正。我检查了高置信度模型的误报（FP）错误，并使用 labelImg 手动修复它们。这提高了 CV 分数，但对 LB 没有影响。
我在标记图像 + 随机选取的 10% 未标记数据上进行训练。

数据增强

我使用了 albumentations 库，流程如下：

aug_strong = [
    A.HorizontalFlip(p=0.5),
    A.VerticalFlip(p=0.5),
    A.RandomRotate90(p=1.0),
    A.OneOf([
        HueSaturationValue(p=0.5, hue_limit=0.05, sat_limit=0.7, val_limit=0.4),
        A.RandomBrightnessContrast(p=0.5, brightness_limit=0.15, contrast_limit=0.15),
        A.ToGray(p=0.1),
    ], p=0.8),
    A.OneOf([
        ShiftScaleRotate(p=0.4, shift_limit=0.1, rotate_limit=3, scale_limit=(0.5, 2.0), min_bbox=27, max_bbox=None, border_mode=0, value=(114, 114, 114)),
        A.Perspective(p=0.1, scale=0.1, pad_mode=0, pad_val=(114, 114, 114)),
    ], p=0.8),
    A.OneOf([
        A.GaussianBlur(p=0.5, blur_limit=(3, 5)),
        A.MotionBlur(p=0.5, blur_limit=(3, 5)),
        A.MultiplicativeNoise(p=0.5, multiplier=(0.9, 1.1), per_channel=False, elementwise=True),
    ], p=0.2),
]
bbox_params = A.BboxParams(format="yolo", label_fields=["class_labels"], min_area=16, min_visibility=0.2)
transform = A.Compose