以數智重慶.全球產業賦能創新大賽 為例，目標檢測的幾種常見的做題技巧如下：

1. 針對數據集進行數據提升
   a. 需要對數據進行了解，比如有哪些分類，每個分類下各有什么特點，每個分類下的圖片尺寸是怎樣的，分布是怎樣的(長尾分布，類別不均衡)。
   b. 數據出現了什么樣的問題，應該怎么去解決這些問題。(多樣性，長尾分布、小目標)
   c. 使用Pseudo Label提高長尾分布較嚴重類別
2. 針對算法模型的改進
   a. baseline：如果為精度，針對精度要求較高的目標檢測任務則應當考慮到Cascade RCNN+Resnet50/101+FPN+DCN；如果為精度和模型大小，則考慮mobilenet-ssd和resnet50-yolo3,訓練epochs為12到36最佳。
   b. 使用DCN和SEnet模塊提升模型的魯棒性。
   c. 使用Small Feed Duck(增加小目標的采樣率)和random crop等方法提高小目標檢出率，額外設置ratio=1的anchor,增加小目標正樣本的匹配率。
   d. Libra-RCNN，在樣本層次，特征層次，目標層次上做均衡。
   e. 多尺度訓練
3. 針對數據以及模型共同調參
   a. RPN IOU(0.7, 0.3) -> IOU(0.6, 0.2), RCNN階段：IOU(0.7, 0.6, 0.5) -> IOU(0.6, 0.5, 0.4)
   b. 調整anchor的大小尺寸，anchor_size=6, anchor_ratio=(0.1, 0.5, 1, 2, 5)

框架選擇：

1. mmdetection