基于TensorFlow 2 Object Detection API的小目标检测网络选型及配置咨询

我来分享一些针对小尺度交通标志检测的实用建议，结合我做类似任务的经验，应该能帮你提升Mapillary数据集上小目标的mAP值：

一、优先选择的网络结构 #

小目标检测的核心难点是像素少、特征表达弱，所以多尺度特征融合是关键，推荐以下几种方案：

• Faster R-CNN with FPN：你找不到预训练模型可能是没找对框架，像MMDetection、Detectron2这类成熟的检测框架都自带官方维护的预训练权重，直接调用就能自动下载，完全不用自己找第三方资源。FPN的多尺度特征融合能充分利用浅层的细粒度特征，对小目标检测非常友好。
• YOLOv8/YOLOv9（小目标优化版本）：YOLO系列的最新版本专门针对小目标做了优化，比如YOLOv8n/s的轻量化版本在小目标检测上表现不俗。你可以直接设置更大的输入尺寸（比如1280），配合专门的小目标超参数配置文件（--hyp small-object.yaml），训练速度快，效果也很可观。
• RetinaNet with FPN：和Faster R-CNN同属基于FPN的检测器，但它是单阶段结构，训练速度更快，同样有大量预训练模型可用，小目标检测性能也很稳定。
• EfficientDet：它的BiFPN结构比普通FPN更高效，能更好地融合不同尺度的特征，适合小目标检测。选D0-D2的小型号就行，预训练模型也很容易获取。

二、关键配置调整技巧 #

光选对网络还不够，这些配置调整能进一步提升小目标性能：

• 放大输入尺寸：你已经用到1024了，可以尝试提升到1280甚至1536，更大的输入能让小目标的像素更充足，特征更清晰。注意保持图像宽高比，用自适应padding避免拉伸变形。
• 适配锚框尺寸：COCO预训练模型的锚框是针对通用目标设计的，和Mapillary的交通标志尺寸可能不匹配。建议用k-means算法对数据集里的小目标标注框聚类，生成适合的锚框尺寸，这能大幅提升小目标的召回率。
• 针对性特征增强：
  • 在FPN的最浅层（比如P2层）单独添加检测头，浅层特征包含更多小目标的细节信息；
  • 加入CBAM、SE这类注意力模块，让网络更关注小目标区域的特征；
  • 做小目标专属数据增强：比如随机裁剪时优先保留小目标，用Mosaic增强增加小目标的出现频率，翻转、旋转时保证小目标完整性，避免过度裁剪。
• 优化损失函数：用Focal Loss替代普通交叉熵损失，降低易分类样本的权重，让网络聚焦难检测的小目标；或者用GIoU/DIoU/CIoU Loss替代IoU Loss，提升小目标边界框的回归精度。

三、解决Faster R-CNN with FPN预训练模型的问题 #

给你两个简单的实现方式，直接就能拿到官方预训练权重：

• 用MMDetection的话，代码示例：

  from mmdet.apis import init_detector, inference_detector
  
  # 加载配置文件和预训练权重（会自动下载）
  config_file = 'configs/faster_rcnn/faster_rcnn_r101_fpn_1x_coco.py'
  checkpoint_file = 'checkpoints/faster_rcnn_r101_fpn_1x_coco_20200130-047c8118.pth'
  model = init_detector(config_file, checkpoint_file, device='cuda:0')
  

• 用Detectron2的话，代码示例：

  from detectron2 import model_zoo
  from detectron2.config import get_cfg
  
  cfg = get_cfg()
  # 加载Faster R-CNN R101 FPN的配置和预训练权重
  cfg.merge_from_file(model_zoo.get_config_file("COCO-Detection/faster_rcnn_R_101_FPN_3x.yaml"))
  cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url("COCO-Detection/faster_rcnn_R_101_FPN_3x.yaml")
  

四、数据集适配细节 #

Mapillary的交通标志有自己的分布特点，这些细节也不能忽略：

• 统计小目标的占比（比如面积小于32×32的目标），如果占比低，做过采样增加小目标样本在训练集中的比例；
• 检查标注准确性，确保小目标的标注框没有偏移或遗漏，标注质量对小目标检测的影响非常大。

总结一下：优先用Faster R-CNN+FPN（通过MMDetection/Detectron2获取预训练模型）或者YOLOv8小目标版本，配合大输入尺寸、适配锚框、专门的数据增强和损失函数，应该能显著提升小目标的mAP值。

内容的提问来源于stack exchange，提问作者user14405315