YOLO4检测相交车辆时生成单个检测框的问题排查咨询

一、标注错误的可能性 #

• 训练集缺少两车并排/交汇场景的正确标注：如果你的标注数据里大多是单辆车，哪怕补了标注但没覆盖这类近距离重叠场景，模型就学不会区分这类情况；另外如果标注时误把并排的两辆车标成一个框，模型自然会输出单个检测框。
• 标注框精度不足：标注时框得过大，把相邻车辆都包含进去，模型会被误导，认为这种大框才是“车”的正确标注。

二、其他可能的原因 #

• 锚框（Anchor Boxes）不匹配：YOLO4默认锚框是针对通用物体设计的，玩具车尺寸小，且近距离并排时的物体比例和单辆车差异大，锚框没适配这种小尺寸、密集排列的场景，导致模型无法区分两个独立目标。
• NMS参数设置不合理：非极大值抑制（NMS）的IoU阈值过高时，模型会把相邻的两个车框判定为重复目标，合并成一个；置信度阈值过高也可能过滤掉其中一个车的检测框，只留下一个大框。
• 特征学习不充分：两车交汇时颜色、形状特征重叠严重，而训练数据里这类场景太少，模型没学到足够的区分特征，只能识别成一个整体。
• 输入分辨率过低：如果输入图像分辨率不够，两车交汇时的细节被压缩，模型无法分辨出两个独立的目标。

三、针对标注无效的优化建议 #

• 先核查标注质量：抽看两车并排场景的标注，确保每辆车都有独立、精准的标注框，没有漏标或错标成一个框的情况。
• 补充密集场景标注：专门收集并标注更多两车交汇、并排的样本，让模型接触到足够多的这类正确样本。
• 重新聚类生成锚框：用你现有标注的框尺寸重新聚类，生成适配玩具车的锚框，替换YOLO4的默认锚框。
• 调整NMS参数：降低IoU阈值（比如从0.5调到0.3-0.4），让模型更容易区分相邻目标；同时适当调整置信度阈值，平衡检测精度和召回率。
• 提升输入分辨率：在硬件允许的前提下，提高输入图像的分辨率，保留更多细节，帮助模型分辨近距离的两个车。

内容的提问来源于stack exchange，提问作者Sergei