yolo v5 人脸检测 Widerface数据集 map低

Question

哥，您的这篇帖子《人脸与关键点检测：YOLO5Face实战》。我是就简单人脸检测，不带关键点的，然后数据集也是Wider face。我和您第二部分差不多，运行train.py之后，mAP@0.5还只有百分之75左右。

但您到第三部分测试的时候，到test部分直接hard百分之80多了，easy和medium部分甚至百分之90。

因为我看很多文献也是 和我一样也用的yolov5s，数据也是wider face，但是他们的map在hard上都百分之八九十的。

但我怎么跑都只有百分之75上下。

results.png

我个人想法是 会不会是在test部分 wider face数据有一个专门的测试方法，还是说专门测试的数据集变简单了，还是说评估模型的指标我看您写的是ap而不是mAP@0.5了，是不是指标也发生改变了。

实在是不能理解 ，全网如果有uu们方便的话，可以帮我看看嘛，我有偿支付您。实在是百思不得其解 困扰我的很。。

联系方式：Kj_water

Answer 1

引自免费微信小程序：皆我百晓生

根据您提供的信息，您在使用YOLOv5训练人脸检测模型时，在WiderFace数据集上遇到了mAP@0.5仅为71.5%的问题，而文献和一些案例中提到的性能要高得多。这里有几个可能的原因：

1. 训练参数调整：YOLOv5在不同的训练配置下（如学习率、批次大小、训练轮数等）可能会有不同的收敛效果。确保您使用的超参数与文献中或其他高性能实现相匹配。

2. 预训练权重：初始权重的选择对模型的最终性能有显著影响。某些研究者可能从COCO等大型数据集预训练的模型开始微调，这有助于提升在特定任务上的表现。

3. 数据增强：有效的数据增强策略能够提高模型泛化能力。检查您的训练脚本是否采用了随机翻转、旋转、缩放等多种增强方式来增加训练样本多样性。

4. Anchor尺寸优化：对于YOLOv5来说，Anchor boxes的尺寸和数量对目标检测准确性至关重要。文献中提到的YOLOv5s改进版本通过修改Anchor参数提升了性能。

5. 注意力机制或其它改进：如SElayer这样的注意力模块可以提升特征表示能力。如果您未采用这些改进，模型性能可能会受限。

6. 评估指标：确保在测试阶段使用了正确的平均精度平均值（mAP），且阈值设置正确。WiderFace数据集通常报告的是在不同IoU阈值下的mAP，包括mAP@0.5:0.95以及各个难度级别的mAP。

7. 训练集/验证集划分：确认您使用的训练/验证集划分与文献中的实验保持一致，以免因数据分布不均导致结果差异。

8. 代码实现问题：仔细检查训练和测试过程中的代码逻辑，确保损失函数计算、后处理（非极大值抑制NMS）、指标计算等环节无误。

建议您可以按照以下步骤排查并尝试改进：

• 确认训练参数和模型结构与文献所述一致。
• 尝试使用预训练权重并在该基础上进行微调。
• 强化数据增强策略。
• 考虑优化Anchor参数或引入注意力机制。
• 在评估阶段确保计算mAP的方式与基准一致。

由于无法提供实际代码，但可以给出一个简化的示例来说明如何检查和调整训练参数：

# 检查并设定训练参数
cfg = yaml.safe_load(open('path/to/yolov5/config.yaml'))  # 加载配置文件
cfg['model']['anchors'] = [...]  # 确保Anchor尺寸正确
cfg['hyp']['lr0'] = ...  # 学习率初始化
cfg['epochs'] = ...  # 训练轮数
cfg['data']['augment'] = [...]  # 数据增强策略

# 使用预训练权重启动训练
weights = 'path/to/pretrained_weights.pt'
!python train.py --cfg path/to/yolov5/config.yaml --weights {weights} --data data.yaml --img-size 640 --batch-size 16 --device 0

# 测试模型性能
weights_best = 'path/to/best_model.pt'  # 最优模型权重文件
!python test.py --weights {weights_best} --data data.yaml --iou-thres 0.5 --task val --save-json

请根据实际情况替换上述代码中的路径和参数。同时，查阅相关文献及GitHub项目中的源码和配置文件，以获得更具体的指导。