在工業(yè)場景中，網絡結構決定了下限，數據決定著上限，要想模型有好的表現(xiàn)，數據是至關重要的。下面就這個項目來說一說，工業(yè)缺陷檢測在標注數據時需要注意的幾個事項：

1、離得比較近的缺陷就合并在一個框里

以上兩個圖里的缺陷都是可以合并的，一是為了保持缺陷的完整性，同一個缺陷被標注成好多個，會給神經網絡造成誤解，同時也避免出現(xiàn)多個小目標。

2、盡量不要有太細長的目標

神經網絡的卷積基本上都是3*3的，而且先驗框anchor在設計寬高比時一般也是在1左右，回歸非常細長的目標，需要比較大的感受野和寬高比，不一定能做得很好。如圖左邊那塊目標，可以合并一下，稍微標大一點，把長寬比例搞得居中一點。

3、不要打太小的目標，比如低于10x10像素的

模型一般都對小目標不敏感，除非采用比較好的trick，就拿YOLOv4來說，到第三次下采樣的特征圖才拿去后面做檢測，也就是在原圖上最小都有8個像素，才能在特征圖上體現(xiàn)為1個像素。有人會杠了，那我的目標就是小目標啊，小哥，我說了，另外還有很多trick的，不在本文討論范圍，打標簽這個環(huán)節(jié)你要么打大點，要么不要打，或者把局部區(qū)域放大成大圖，再打標簽，不然送到模型里頭，也是沒用的。這跟嚴謹不嚴謹沒有任何關系。

YOLOv4網絡結構圖

4、不要標注特別不明顯的特征

這一條相信都能理解，特征連人都認不出來，哪個網絡都不好識別吧。像這種標注框，恐怕誰都不好認吧。

5、框的位置盡量準確一點，把缺陷部分剛好框進去

像右下角那個框，完全可以打大點吧。

6、需要檢測的缺陷在訓練集中至少要出現(xiàn)一次相似的

另外，需要多說一句，跟標注無關的。就是雖然都是缺陷，但實際上也分很多種的，如果訓練集里都沒有出現(xiàn)過相似的，就基本上別指望測試時能夠檢測出來了。比如下圖中，雖然只劃分了一類缺陷，但是從特征的角度來說，實際上已經是好幾類了，比如劃痕、凸起、裂開。還是回到開頭那句話：網絡結構決定了下限，數據決定上限。目前的技術，不靠大量的數據喂，是訓練不出很好的模型的。

版權聲明：本文為CSDN博主「雪地(>^ω^<)」的原創(chuàng)文章，遵循CC 4.0 BY-SA版權協(xié)議，轉載請附上原文出處鏈接及本聲明。

審核編輯：劉清