第12名方案 - YOLOv5 + 光流追踪

首先，我要感谢主办方组织了如此激动人心的比赛。我很高兴能在这场激烈的竞争中坚持下来！

检测模型训练

因为我只使用了 Kaggle Kernel 的 GPU，所以我希望减少显存使用和训练时间。因此，我将训练图像放大了两倍（2560x1440），并将它们分割成四张 1280x720 的图像。之后，我丢弃了不包含边界框的分割图像。这意味着训练尺寸为 1280。在推理阶段，使用了 2560 的尺寸。通过这样做，我认为其结果与使用 2560 尺寸进行训练的结果几乎相同，但减少了显存使用。

• 模型：YOLOv5m6
• 验证：4 折 Group-Kfold（按序列分组）
• 尺寸：1280 尺寸，配合 x2 放大和 4 张分割图像
• 增强：主要修改了 "hyp.scratch.yaml"，包括 flipud p=0.5, mixup p=0.5, rot90 p=0.5。为了实现 rot90，我修改了 "augmentations.py"。

追踪

我复用了我在 NFL 比赛 中编写的基于光流的追踪代码。利用光流，可以根据前一帧的检测结果估计下一帧的边界框。因此，即使检测模型丢失了目标，它也可以继续追踪。根据截止该帧为止的追踪计数，我改变了在丢失检测条件下继续追踪的帧数，其最大值为 5 帧。

最终提交的选择

在我的交叉验证（CV）中，我注意到将训练尺寸和推理尺寸从原始 1280x720 尺寸同等放大，对 CV 分数和 LB 分数都有贡献。然而，在训练和推理之间使用不同的尺寸（例如训练 2560 和推理 3840）仅对 LB 分数有贡献，却导致 CV 分数下降。所以我怀疑存在过拟合的可能性，并选择了以下四次提交。

1. 最佳 Public LB

• 以下 3 个模型的集成：
  • 4 折中 Public LB 分数最好的 2 个模型，推理尺寸为 3840（训练尺寸的 x1.5 放大）
  • @freshair1996 分享的 YOLOv5s 模型（分数 0.665），推理尺寸为 6400
• TTA（测试时增强）：原始、左右翻转、上下翻转 (*)
• 集成：3 个模型 x 3 个 TTA 通过 WBF 进行集成
  (*) TTA 模式受到 9 小时运行时间的限制。如果使用更多的 TTA 模式，将会获得更高的分数。

2. 最佳 CV

• 所有 4 折模型，推理尺寸为 2560（= 训练尺寸）
• TTA：原始、左右翻转、上下翻转、旋转 90 度
• 集成：4 个模型 x 4 个 TTA 通过 WBF 进行集成

3. CV 和 Public LB 的折中

• 4 折中 Public LB 分数最好的 2 个模型
• TTA：2 种推理尺寸 (2560, 3840) x 原始、左右翻转、上下翻转
• 集成：2 个模型 x 2 种尺寸 x 3 个 TTA 通过 WBF 进行集成

4. TensorFlow EfficientDet

为了获得 TensorFlow 奖项，我训练了 EfficientDet-D2 模型，但它的 Private LB 分数是 0.543...

分数如下。