YOLOv5 目标检测优化：降低误检与漏检

1. 引言

在目标检测任务中，误检（False Positive, FP）和漏检（False Negative, FN）是影响检测性能的两个主要问题。误检意味着模型检测到了不存在的目标，而漏检则指模型未能检测到真实存在的目标。本文将介绍如何优化 YOLOv5 以减少误检和漏检，提高检测精度。

2. 误检与漏检的常见原因

2.1 误检的常见原因

• 训练数据质量问题：数据集存在噪声，如误标注或错误样本。
• 背景复杂度过高：目标与背景相似度高，导致模型误判。
• IoU（交并比）阈值过低：如果 NMS（非极大值抑制）中的 IoU 阈值过低，可能会保留过多低质量的框。
• 过拟合：模型在训练数据上表现良好，但在测试数据上泛化能力差。
• 类别不均衡：某些类别样本过多，导致模型倾向于过度检测。

2.2 漏检的常见原因

• 置信度阈值过高：如果模型置信度设定过高，可能会导致部分低置信度目标被忽略。
• 目标尺寸太小：YOLOv5 在小目标检测上相对较弱，可能难以检测微小目标。
• 数据增强过度：过强的数据增强可能会改变目标形态，使模型难以识别。
• 网络结构限制：默认 YOLOv5 的网络结构可能不适用于所有任务，可能需要调整。
• 数据集不完整：如果数据集中缺少某些类别或场景，模型可能无法学习到足够的特征。

3. 降低误检的方法

3.1 提高训练数据质量

1. 清理数据集：去除错误标注、重复数据或模糊目标。
2. 平衡类别分布：尽可能使数据集中的不同类别样本数量均衡。
3. 增加硬例（Hard Examples）：针对易混淆类别增加相应样本，提升模型区分能力。

3.2 调整NMS（非极大值抑制）

在 data/hyp.scratch.yaml 中调整 IoU 阈值，例如：

nms_iou: 0.45  # 降低 IoU 阈值可以减少重复框

如果误检较多，可适当 降低 IoU 阈值，如 0.3-0.4，但不能太低，否则可能导致漏检。

3.3 调整置信度阈值

检测时的置信度阈值影响最终输出的检测结果。在 detect.py 中修改 conf-thres 参数，例如：

python detect.py --conf-thres 0.3

如果误检多，可 提高 置信度阈值，如 --conf-thres 0.4，但不能过高，否则可能导致漏检。

3.4 调整损失函数

如果误检较多，可以尝试修改 loss 计算方式，如增加 类别损失（class loss） 的权重：

cls_pw: 1.5  # 默认 1.0，可适当增加

3.5 增强数据增强策略

如果背景复杂导致误检，可以减少强烈的数据增强，避免模型学到无关信息。例如，减少 hsv_h, hsv_s, hsv_v 的变化范围：

hsv_h: 0.015  # 色调变化减少
hsv_s: 0.5    # 饱和度调整
hsv_v: 0.4    # 亮度调整

3.6 采用更强的模型

如果误检仍然较多，可以使用更大的 YOLOv5 变体，如 yolov5l 或 yolov5x，提高检测能力。

python train.py --weights yolov5l.pt --epochs 300

4. 降低漏检的方法

4.1 降低置信度阈值

如果模型漏检较多，可以适当 降低 置信度阈值，例如 --conf-thres 0.2，但不能过低，否则会引入过多误检。

4.2 适当提高 NMS IoU 阈值

如果检测框被误过滤，可以适当 提高 IoU 阈值：

nms_iou: 0.5  # 提高 IoU 过滤

4.3 增强小目标检测能力

YOLOv5 对小目标检测较弱，可采用以下方法：

1. 使用更高分辨率的输入：

python train.py --img-size 1280

2. 修改网络结构：调整 yolov5s.yaml 中的 depth_multiple 适当增加检测层。
3. 数据增强：增加 Mosaic 和 Copy-Paste 以增强小目标样本。

4.4 采用多尺度训练

python train.py --multi-scale

开启多尺度训练，使模型能更好适应不同大小的目标。

4.5 采用更优的 Anchor Box

如果目标形状特殊，可以重新计算 Anchor：

python utils/autoanchor.py --dataset mydataset

4.6 采用数据增广策略

如果漏检主要集中在某些特定角度或场景，可以增加相应的数据增强，例如 旋转、仿射变换。

5. 训练时的优化建议

5.1 选择合适的预训练模型

预训练模型的选择影响模型性能。例如，检测小目标时，使用 yolov5m 或 yolov5l 可能比 yolov5s 更好。

5.2 调整学习率策略

适当调整 lr0 和 lrf，避免训练初期过快收敛。

lr0: 0.01  # 初始学习率
lrf: 0.2   # 最终学习率

5.3 训练更多 epochs

对于复杂任务，可以适当增加训练 epochs，例如：

python train.py --epochs 500

6. 结论

降低误检和漏检需要从 数据、超参数、网络结构、训练策略 等多个方面优化。关键点包括：

• 数据集质量 是核心，应清理数据、平衡类别。
• 调整置信度阈值 适应不同任务需求。
• 优化 NMS 策略，适当调整 IoU 阈值。
• 使用更大的模型 或 改进 Anchor 设计 提升检测能力。
• 数据增强策略 需适度，避免过强影响模型泛化。

通过合理的优化，可以大幅降低误检和漏检，提高 YOLOv5 在目标检测任务中的表现。