融合EfficientNet和YoloV5，非常实用的物体检测二阶段pipeline

在本文中，我将解释“2 class filter”的概念。这是一种用于目标检测和分类模型的综合技术，在过去几周我一直在做的Kaggle比赛中被大量使用。几乎所有参加比赛的人都使用了这种技术，它似乎可以提高大约5-25%的性能，这是非常有用的。

   目标检测：YoloV5

我们首先在我们的数据集上训练YoloV5模型，同时使用加权框融合(WBF)进行后处理/预处理，

我不想再深入讨论使用WBF训练YoloV5的细节。但是，你需要做的基本上就是使用WBF消除重复的框，然后对数据进行预处理，在其上运行YoloV5。YoloV5需要一个特定的层次结构来显示数据集，以便开始训练和评估。

   分类：EfficientNet

接下来要做的是在数据集上训练一个分类网络。但是，有趣的一点是，虽然目标检测模型在14个不同的类(13个不同类型的疾病和1个无疾病类)上训练，但我们只在2个类(疾病和无疾病)上训练分类网络。你可以认为这是一种建模方法，简化了我们的分类问题，因为2分类网络比14分类容易得多，当我们融合这两个网络时，我们真的不需要每一个疾病的细节，我们将只需要一个2分类。当然，对于你的问题，这可能有点不同，因此你可能需要试验不同的设置，但是希望你能从本文中获得一些想法。

目前最先进的分类网络之一是EfficientNet。对于这个数据集，我们将使用使用Keras (TensorFlow)训练的B6 EfficientNet，以及这些扩展：

   集成

这就是使用2分类过滤器来提高性能的原因，也是本文真正要讨论的内容。关于训练YoloV5和EfficientNet，我不想说太多，因为有很多资源可以提供给他们。

我想强调的主要思想是，尽管Yolo的分类预测非常好，但如果你可以将它们与另一个更强大的网络的分类混合在一起，你可以获得相当不错的性能提升。让我们看看这是如何实现的。这里使用的想法是设置一个高阈值和一个低阈值。然后我们要检查每个分类预测。如果概率小于低阈值，我们将预测设置为“无疾病”。回想一下，我们最初的问题是对14种疾病中的一种进行分类，或者对“无疾病”进行分类。这个低阈值可以是0到1之间的任何值，但可能是0到0.1之间的某个值。此外，如果分类预测在低阈值和高阈值之间，我们得到一个“No Disease”的预测，该预测具有EfficientNet的置信度(不是Yolo)。最后，如果分类预测高于高阈值，我们什么也不做，因为这意味着网络是高度自信的。

可以这样实现：

   最后的思考

在比赛期间，我已经在各种不同的场景和模型上试验了这2分类过滤器，它似乎总能提高25%的性能，这是令人惊讶的。我认为如果你想把它应用到你的自定义场景中，你需要考虑在哪些情况下分类网络预测可以帮助你的目标检测模型。这并不完全是交换预测的执行度，而是用一种聪明的方式“融合”它们。