正射影像，重叠的应该去掉

[gengyanlei]

这个自yolov3就有，对于1个特征点可能有不同类，它用的sigmoid，但是正射影像应该不会有重叠的，你可以参考一下。

[hukaixuan19970627]

这个有一个治标不治本的方法：
可以在检测时，修改detect.py中的agnostic-nms，这个参数主要用于让NMS区分不同的类别，每个类别的框只跟同一个类别的框进行IoU计算。
既然会出现同一个物体检测出两种种类的框的情况，那就让NMS对所有的框一视同仁就好了

[gengyanlei]

嗯，yolov3开始采用sigmoid，而不是softmax，就是可能在1个特征点位置允许有多类别的目标。通过你说的这个可以解决重叠框的问题，这个参数我之前没有注意过，但是知道这个算法；是让1个框与所有类别的框进行nms；但是置信度高的不一定就是对的，这就很尴尬了。实在不行我就把small-large合并了。

[gengyanlei]

@hukaixuan19970627
咨询你1个问题，你在训练时只采用了mosaic，有没有采用旋转增强操作呢，我看你注释掉了。我打算采用UCAS_AOD里面的车辆进行训练，采用DOTA裁剪不同尺度的车辆，数据量太大以及车辆尺寸不如AOD的大。

[hukaixuan19970627]

旋转有这个代码，但是我没用，主要是旋转之后部分目标信息会丢失，为了防止目标信息丢失还得resize一下图片大小，但是resize图片我又怕把本来细节信息就不多的小目标再减少一部分像素，所以没加，准备之后闲下来了看看别人的开源代码是怎么做的；
DOTA_devkit_YOLO的Draw_DOTA_YOLO.py里面我把涉及到角度增强的代码都可视化了出来：

[gengyanlei]

嗯，我看你的知乎看到了。目前还有个问题，你的处理代码对于无对象的裁剪块 是删除了，但是yolov5自身是支持无对象的，不知道你的代码是否支持呢？加入负样本数据 其实还是有用的，打比赛时 加入这种负样本可以提高精度。我们做项目时也加入这些负样本的，不知道对你有没有帮助。

[hukaixuan19970627]

代码肯定支持无对象，毕竟我改动的地方也就是加了个角度分类+CSL，我那个DOTA_devkit_YOLO的逻辑是这样的，分割后进行YOLO格式转换，格式转换过程中删除出错的目标（比如θ不符合设定范围，longside shortside大于1或者等于0），这些图片是包含了目标的，但是这个目标转换后的数据出了问题，为了防止有问题的数据进入网络训练我就把目标删了。如果图片中有效目标为0，那就删了这个图片，我当时是基于这个考虑：这张图没有有效目标，但也不能算是纯负样本，因为里面其实有目标，只不过转换格式的过程中出了问题，把这种不纯粹的负样本送入网络训练可能会影响检测效果。
但是你说的也有道理，后期改动的话我准备让网络也能训练longside shorside大于1的目标，尝试加点尽量纯粹的负样本进去。