基于YOLO模型在保持召回率的同时提升精度的方案咨询

数据集层面优化 #

• 补充特定角度样本：先统计现场误漏检的具体角度类型（比如钱包侧握、刀具斜向握持、手机倒握等），针对性采集或用生成工具制作对应角度的图像，每类补充5000-10000张，优先覆盖现场实际出现的场景。
• 强化角度相关数据增强：对现有数据集重点做问题角度区间的随机旋转、透视变换、仿射变换，模拟手持时的各种姿态；同时加入不同光照、复杂背景的样本，减少模型对环境的依赖。
• 校验标注质量：排查现有标注中问题角度样本的标注错误（漏标、框选不准等），修正后再投入训练，避免模型学习错误特征。

模型与训练策略调整 #

• 换用YOLOv8/YOLOv9微调：这类模型在多角度、小目标检测上有性能提升，直接迁移现有数据集进行微调，对比mAP和召回率变化。
• 新增角度预测分支：在现有YOLO模型基础上添加角度预测头，让模型同时学习目标的类别、位置和旋转角度，解决特定角度下的特征匹配偏差问题。
• 调整损失权重：提高召回率相关的损失权重（比如增大CIoU损失中召回维度的占比），或者用Focal Loss降低易分类样本的权重，让模型更关注难识别的角度样本。
• 多尺度训练：训练时切换不同输入尺寸的图像，增强模型对不同大小手持物体的适应能力，尤其是近距离握持的小尺寸目标。

后处理优化 #

• 角度自适应NMS：针对不同旋转角度的目标调整NMS的IoU阈值，比如对旋转角度大的目标适当降低阈值，避免漏检；同时按类别设置参数，比如刀具这类细长物体阈值可以更低。
• 动态置信度+规则过滤：根据现场场景的角度分布，动态调整不同角度目标的检测置信度阈值（对问题角度目标降低阈值提升召回率），再结合手部区域检测规则，只保留手部范围内的目标，减少误检。

内容的提问来源于stack exchange，提问作者Aruzz