📦 类别平衡 · 目标检测
多类别 · 长尾分布 · 训练技巧
🎯 30 章
⚖️ 平衡策略
🚀 实战进阶
01
课程导论
为什么类别不平衡是目标检测的“头号公敌”？课程目标与学习路径。
02
问题定义
什么是类别不平衡？长尾分布与头部/尾部类别的概念。
03
数据层面方法（上）
过采样（Oversampling）——复制尾部样本的利与弊。
04
数据层面方法（下）
欠采样（Undersampling）与数据增强（Data Augmentation）策略。
05
重加权（Reweighting）
Focal Loss 的核心思想与数学原理。
06
Focal Loss 实战
在 PyTorch 中实现 Focal Loss 并集成到检测器。
07
类别平衡采样
Class-Balanced Sampling：原理与实现（Repeat Factor Sampling）。
08
OHEM
在线难例挖掘：原理、实现与在平衡中的作用。
09
GHM
梯度 Harmonizing 机制：解决 Focal Loss 的梯度问题。
10
LDAM
标签分布感知边际损失：为尾部类别分配更大的分类边界。
11
解耦训练（Decoupled Training）
两阶段策略——先特征学习，再分类器微调。
12
BAGS
Balanced Group Softmax：将类别分组后分别 Softmax。
13
Seesaw Loss
动态调节正负样本梯度的平衡损失。
14
EQL
Equalization Loss：抑制头部类别的梯度，保护尾部类别。
15
EQLv2
改进版 Equalization Loss，更稳定的梯度平衡。
16
数据增强进阶
Mosaic、MixUp、CutMix 在长尾检测中的应用。
17
伪标签与自训练
利用未标注数据缓解类别不平衡。
18
知识蒸馏
用大模型（Teacher）指导小模型（Student）关注尾部类别。
19
模型结构改进
解耦头（Decoupled Head）与任务对齐头（Task-Aligned Head）。
20
训练技巧（上）
学习率调度（Cosine Annealing）、Warmup 与 EMA。
21
训练技巧（下）
标签平滑（Label Smoothing）、DropBlock 与 SyncBN。
22
评估指标
除了 mAP，还要看 AP_per_class、F1-score 与混淆矩阵。
23
LVIS 数据集
长尾检测的标准 Benchmark 与评估协议。
24
实战案例（一）
在 COCO 上模拟长尾分布并应用 Focal Loss + RFS。
25
实战案例（二）
在 LVIS 上使用 Decoupled Training + Seesaw Loss。
26
实战案例（三）
结合 OHEM 与 GHM 解决难例与尾部样本问题。
27
超参数调优
如何选择 Focal Loss 的 gamma、alpha 与 RFS 的 t 值。
28
常见陷阱
过拟合尾部类别、训练不稳定、评估偏差与修复方法。
29
前沿进展
VLM（视觉语言模型）与 CLIP 在长尾检测中的零样本能力。
30
课程总结
类别平衡工具箱、最佳实践路线图与未来方向。
⚖️