目标检测和实例分割是迄今为止计算机视觉中最重要的应用领域。然而，小物体的检测和大图像的推理仍然是实际使用中的主要问题。

比如当图像分辨率很大且样本中小目标居多时，如果reshape成小图再送进网络训练的话，目标会变得非常小，检测模型识别难度很大。

然而，直接大图训练GPU显存又顶不住，太大的原图会消耗太多的cpu时间,导致极度拖慢训练时间，而且推理速度会很慢。

如果我们可以通过离线切图的形式，把原图按一定的宽高，切成很多个小图进行训练，就能够将上面这种复杂的大图小目标检测任务，转换成较为普通的目标检测任务，从而提高小图上小目标的检测效果。接着，通过拼图与后处理，将子图预测结果再合并成大图，得到完整的大图推理结果。

百度飞桨针对上面这种大图小目标检测的典型场景，提供了PP-YOLOE Smalldet一键实现切图配置与训练。

详细文档可参考：PP-YOLOE Smalldet 检测模型。

那么，在实际业务场景中，切图拼图的目标检测任务究竟表现如何？本文就以正在进行的兴智杯国产开发框架工程化应用赛：齿轮瑕疵检测任务为例，验证自动切图训练在真实场景的表现。

数据集的分析和准备过程在项目 兴智杯国产开发框架工程化应用赛：齿轮瑕疵检测基线中有详细的介绍，这里就不再赘述。

总体结论就是，齿轮瑕疵数据集存在密集小目标，但也有大面积的瑕疵目标。因此，正好可以被我们拿来练练手，比对下切图前后的训练效果。

由于PP-YOLOE还在快速迭代中，因此，对框架的稳定性有一定的要求，PaddlePaddle的框架不要选择最新版。本文使用的单卡训练环境如下：

在切图前，我们首先需要统计所用数据集标注框的平均宽高占图片真实宽高的比例分布：

注意:

所以根据上面的说明，齿轮瑕疵检测这个数据集其实介于“可切可不切”之间。当然，我们可以继续试验下，看看切图后能达到的效果。

针对需要切图的数据集，使用SAHI库进行切分：

PaddleDetection团队提供的基于PP-YOLOE的检测模型，以及提供了一套使用SAHI(Slicing Aided Hyper Inference)工具切图和拼图的方案，其效果如下：

Assembled表示自动切图和拼图后模型的表现，从中我们可以看出，mAP较原图预测有了非常显著的提升，因此，接下来就基于PP-YOLOE-l，看看自动切图和拼图后模型在齿轮瑕疵检测数据集上的表现。

毫无疑问，切图后模型的训练是要基于切图数据集的，配置如下：

切图训练时间是否一定比原图训练时间长？这个要视情况而定。

因为切图后训练数据集的数据量虽然大幅增加了，但是切图后输入图片可以减小分辨率（从而增大batchsize）。当然通常来说，切图训练时间要比原图训练时间要长一些。

在原图训练的PPYOLOE：又快又好的小目标检测训练与部署实现中，10个epoch训练耗时在60min左右；切图训练则需要48min左右，因为增大了batchsize，训练效率反而提高了。

而且，切图模型收敛速度相较于原图训练，明显快了很多。

我们对训练30个epoch后，切图模型的效果进行一下评估。

对于子图评估和原图评估，差别仅仅在于验证集路径的配置：

对于子图拼图评估，需要修改验证集的标注文件路径为原图标注文件，然后配置设置如下：

需要注意的是，子图拼图评估耗时可能非常长，它取决于模型权重文件的大小。同时，在配置子图拼图评估是，需要用SlicedCOCODataSet替代COCODataSet，并且配置切图训练时的sliced_size和overlap_ratio参数：

执行命令时，需要关注下面这些参数的设置：

在本项目中，我们把交小比和交并比两种方式都试验一番：

将30个epoch后，原图训练、切图训练子图评估、切图训练原图评估、切图训练子图拼图评估的效果进行了对比，结果如下：

从上面的简单表格可以明显看出，相比原图直接训练，子图训练拼图评估精度提升明显。同时，子图结果重组去重的度量标准用交并比在该数据集上表现更好，猜测可能是因为，数据集的目标大小差异较大，对于中大型目标，去重标准如果用交小比，在评估效果上，会比较吃亏。