在工業場景中，網絡結構決定了下限，資料決定着上限，要想模型有好的表現，資料是至關重要的。下面就這個項目來說一說，工業缺陷檢測在标注資料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裡
以上兩個圖裡的缺陷都是可以合并的，一是為了保持缺陷的完整性，同一個缺陷被标注成好多個，會給神經網絡造成誤解，同時也避免出現多個小目标。
2、盡量不要有太細長的目标
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，回歸非常細長的目标，需要比較大的感受野和寬高比，不一定能做得很好。如圖左邊那塊目标，可以合并一下，稍微标大一點，把長寬比例搞得居中一點。
3、不要打太小的目标，比如低于10x10像素的
模型一般都對小目标不敏感，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後面做檢測，也就是在原圖上最小都有8個像素，才能在特征圖上展現為1個像素。有人會杠了，那我的目标就是小目标啊，小哥，我說了，另外還有很多trick的，不在本文讨論範圍，打标簽這個環節你要麼打大點，要麼不要打，或者把局部區域放大成大圖，再打标簽，不然送到模型裡頭，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、不要标注特别不明顯的特征
這一條相信都能了解，特征連人都認不出來，哪個網絡都不好識别吧。像這種标注框，恐怕誰都不好認吧。
5、框的位置盡量準确一點，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一次相似的
另外，需要多說一句，跟标注無關的。就是雖然都是缺陷，但實際上也分很多種的，如果訓練集裡都沒有出現過相似的，就基本上别指望測試時能夠檢測出來了。比如下圖中，雖然隻劃分了一類缺陷，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，資料決定上限。目前的技術，不靠大量的資料喂，是訓練不出很好的模型的。
版權聲明：本文為CSDN部落客「雪地(>^ω^<)」的原創文章，遵循CC 4.0 BY-SA版權協定，轉載請附上原文出處連結及本聲明。
原文連結：https://blog.csdn.net/qq_36563273/article/details/110143581