基于单目标标注数据集训练的Efficientdet-dx无法检测多目标的优化方案问询

• 半监督伪标注扩充数据集
  先用当前已训练的模型对全量训练集做推理，提取所有置信度高于0.7的同类目标框作为伪标注，和原有真实标注合并后过滤重叠重复的框，生成多目标标注的训练集重新训练。训练时将伪标注对应的损失权重设为真实标注的0.5倍，降低标注误差带来的负面影响。
• 优化复制粘贴增强逻辑
  放弃需要Mask的精准分割方案，改用边界框引导的轻量复制粘贴策略：随机选取其他图片中已标注的目标框区域，直接裁剪后粘贴到当前图片的非重叠空白区域，边缘添加1-3像素的高斯模糊做过渡即可，无需精准抠图。训练时每张图随机粘贴1-4个额外目标，强制模型学习多目标识别逻辑，打破单目标的学习偏见。
• 轻量化融合公开数据集
  不需要全量导入COCO、PASCAL VOC等数据集，仅过滤提取这些数据集中和你的自定义类别一致的样本，删除所有无关类别的标注，还可以进一步裁剪仅保留包含目标类别的子图加入训练集，既不会产生无关类别干扰，也不会过度增加数据集体量。
• 调整TFOD API训练与推理配置
  • 在训练配置文件中修改max_total_detections、max_detections_per_class参数到预期的最大检测数量（建议设置为10及以上），避免模型输出被默认参数截断
  • 损失计算阶段添加忽略机制：将未标注但和同类别目标IOU高于0.5的候选框设为忽略样本，不参与负样本损失计算，避免模型把未标注的真实目标错误判定为背景
  • 推理阶段调低置信度阈值到0.4左右，调整NMS IOU阈值到0.5，避免多个相邻目标被非极大值抑制误过滤

内容的提问来源于stack exchange，提问作者Kim