基于FPN与MobileNet优化的水下目标检测：从海参难题到模型性能跃升的实战改进教程

文章目录

• • @[toc]
  • • • **比赛记录和心得 Day2：从调试困境到策略优化**
    • **一、吐槽：调试路上的“坑”与时间管理**
    • **二、言归正传：昨日降采样策略的成效与新挑战**
    • • **1. 降采样的有效性验证**
      • **2. 新问题：海参检测的“硬骨头”**
    • **三、改进策略：从主干网络到正则化的全链路优化**
    • • **1. 主干网络替换：MobileNet V2 → ResNet-18**
      • **2. Anchor优化：精简比例与尺寸**
      • **3. 正则化强化：对抗过拟合**
      • **4. CEM模块增强：低级特征融合**
    • **四、实验结果与反思**
    • • **1. 量化指标对比**
      • **2. 关键发现**
    • **五、下一步计划**
    • **六、结语**
    • **教程亮点**

比赛记录和心得 Day2：从调试困境到策略优化

一、吐槽：调试路上的“坑”与时间管理

今天被网课占据了大部分时间，原本计划优化模型结构，结果却陷入了编译问题的泥潭。

问题重现：

• 原代码基于Linux环境开发，setup.py文件中依赖的库（如pycocotools）在Windows下需要手动修改路径和编译选项。
• 尝试用conda创建虚拟环境、修改Makefile文件，甚至直接在Colab上运行，但因网络限制和数据传输效率低下，最终放弃。

教训总结：

1. 环境配置前置：比赛初期应优先确认代码的跨平台兼容性，避免后期重复造轮子。
2. 备选方案：若本地调试困难，可优先使用云端GPU（如Kaggle、Google Colab），但需提前规划数据上传和依赖安装流程。

临时解决方案：