Kaggle是一個舉辦機器學習學術活動的社區，一個可以很好的發展和實踐你的技能以及展示你的能力的機器學習與數據分析平臺。今天主要對Kaggle學術活動經典案例深度剖析-‘’水下海星檢測‘’。

比賽名稱：Tensorflow - Help Protect the Great Barrier Reef

https://www.kaggle.com/c/tensorflow-great-barrier-reef

比賽類型：計算機視覺、目標檢測

本文整理了比賽論壇中高分的思路解析，希望對大家有幫助。

使用什么模型？

本次比賽可以算一個小目標檢測任務，且檢測模型需要有較高的精度。在本次比賽中比較適合的模型是：

• YOLOV5
• YOLOX

具體模型的預測細節可以參考：

https://www.kaggle.com/remekkinas/yolox-inference-on-kaggle-for-cots-lb-0-507/

具體模型的訓練過程可以參考：

kaggle.com/ammarnassanalhajali/barrier-reef-yolov5-training

這里模型本身是否存在精度上限的差異？從論壇討論我們得出模型并不是本次本次比賽的關鍵。

現在排行榜第七名分享，他只是用了10折的YOLOV5模型，訓練了12個Epoch。

https://www.kaggle.com/c/tensorflow-great-barrier-reef/discussion/290757

具體模型配置？

如果使用YOLOV5，那么如何選擇具體的版本呢？這里建議選擇YOLOV5-L或者YOLOV5-X，模型太小最終的精度不會特別好。

這一點已經被網友驗證：https://www.kaggle.com/c/tensorflow-great-barrier-reef/discussion/294205

圖像具體分辨率？

輸入圖像的尺寸建議越大越好，但越大帶來的顯存消耗也越大。這里建議長邊為1280的像素即可。

當然模型也可以在較小的尺寸上訓練，然后在大尺寸上繼續微調。

具體的數據擴增方法

一方面可以使用YOLO內置的數據擴增方法，另一方面也可以使用數據增強的方法來增加水下數據的可見性。

具體可以將其視為一種數據增強的方法，使用GAN模型來完成預處理。

https://www.kaggle.com/c/tensorflow-great-barrier-reef/discussion/290584

更多賽事信息及參賽經驗分享，請掃碼添加翰林顧問老師詳細咨詢

還有不定期的高能講座等你來參加！