第10名方案分享（含代码）

我的解决方案主要由一个用于预测所有目标的检测模型和一些用于提升性能的专家模型组成。

由于比赛中包含检测任务，因此使用检测模型更为方便。为了预测全部六个目标，我将整张图像作为四个研究级标签的边界框，而“无发现”目标没有分配任何边界框，它是通过将每张图像的前3个不透明度边界框预测分数相乘来预测的。这个想法主要受到了 Vinbigdata 比赛顶级方案的启发。我用这种方法训练的 5 折 EfficientDet-D5 模型在公开排行榜上达到了 0.622 分，在私有排行榜上达到了 0.618 分。

为了提高性能，我添加了一些 YOLOv5 模型用于不透明度检测，EfficientNet-B7 和 B8 用于“无发现”预测，以及 EfficientNet-B7 和 B8 用于研究级标签预测。我使用了 RICCORD、BIMCV+ 和 BIMCV- 数据集进行伪标签。将所有这些模型融合后，最终在公开排行榜上获得了 0.639 分，在私有排行榜上获得了 0.624 分。