第34名解决方案：使用单个 EfficientDet + 伪标签

首先恭喜大家，特别是获奖者和金牌得主，感谢主办方举办了这场有趣的比赛！

这是我们在本次比赛中的解决方案（非常基础）：

训练

• 单个 EfficientDetD5 模型（感谢 @shonenkov 提供的优秀 Notebook）。
• 使用完整数据集训练 40 个 Epoch（无交叉验证）。
• 图像尺寸：512 * 512。
• 数据增强：随机裁剪、随机 Cutout、色调饱和度值 (HSV)、亮度随机亮度对比度、随机水平和垂直翻转以及随机 Cutmix。
• 训练 Notebook：https://www.kaggle.com/kaushal2896/gwd-efficientdet-training-on-entire-dataset

伪标签

• 对上述模型进行伪标签处理，训练了 10 个 Epoch（感谢 @nvnnghia 的工作）。
• 即使在伪标签过程中也使用了相同的数据增强：随机裁剪、随机 Cutout、色调饱和度值、亮度随机亮度对比度、随机水平和垂直翻转以及随机 Cutmix。
• 相同的图像尺寸：512 * 512。
• 最终预测同时使用了 TTA（测试时增强）和 WBF（加权框融合）。
• 伪标签 Notebook：https://www.kaggle.com/kaushal2896/efficientdet-pseudo-labeling-wbf-tta

哪些方法对我们无效？

• 自定义数据增强，例如 mixup。
• 在没有随机裁剪增强的情况下使用更大的图像尺寸进行训练。
• 使用 EfficientDetD6 的相同解决方案。
• 训练更多的 Epoch。
• 使用 ResNet51 和 ResNet101 的 FasterRCNN。

我在本次比赛中尝试的不同方法已整理在 Github：https://github.com/Kaushal28/Global-Wheat-Detection