YOLOv5 半标注数据集构建：10张图+imgaug 生成 100 张训练集，mAP@0.5 达 0.8

基于YOLOv5的半标注数据增强实战：10张样本构建高精度目标检测模型

1. 小样本目标检测的困境与突破

在工业质检、医疗影像分析等专业场景中，目标检测技术常面临标注数据稀缺的挑战。传统全标注方案需要为每张图片中的每个目标绘制边界框，当目标密集分布时（如一次性筷子计数场景），标注成本呈指数级增长。我曾参与一个电子元件缺陷检测项目，初始阶段团队花费两周时间标注2000张样本，但模型在实际产线中的表现仍不尽如人意。

半标注技术为解决这一困境提供了创新思路。其核心在于：

• 10%标注+90%增强：仅标注少量代表性样本（如10张），通过智能增强生成百倍训练数据
• 标注自动继承：数据增强时标注信息同步变换，避免重复劳动
• 模型自迭代：初级模型自动标注剩余数据，人工仅需微调纠错

# 典型半标注工作流程 raw_images = load_images() # 原始图像集 annotated = select_representative(raw_images, n=10) # 选择10张代表性样本 augmented = imgaug_pipeline(annotated) # 数据增强生成100张 initial_model = train_yolov5(augmented) # 训练初始模型 pseudo_labels = initial_model.predict(raw_images) # 生成伪标签 final_labels = manual_refine(pseudo_labels) # 人工微调

下表对比了不同标注策略的性价比：

实践建议：当目标具有规则几何特征（如筷子、电子元件）时，半标注方案性价比最高。对于形变严重的物体（如医疗组织），建议增加标注样本至20-30张。

2. 智能数据增强工程

2.1 样本选择策略

在一次性筷子计数案例中，有效的样本选择需考虑：

• 视角覆盖：包含俯视、侧视等多角度拍摄
• 密度梯度：从稀疏（10-20根）到密集（100+根）的分布
• 环境干扰：不同光照条件、背景复杂度

def select_representative(images, n=10): # 基于聚类算法选择多样性样本 features = extract_cnn_features(images) cluster_ids = KMeans(n_clusters=n).fit_predict(features) return [images[np.argwhere(cluster_ids==i)[0]] for i in range(n)]

2.2 增强参数调优

imgaug库的增强组合需要根据目标特性定制。对于筷子类刚性物体：

seq = iaa.Sequential([ iaa.Fliplr(0.5), # 水平翻转 iaa.Affine( rotate=(-45, 45), # 旋转 translate_percent=(-0.1, 0.1) # 平移 ), iaa.GaussianBlur(sigma=(0, 1.0)), # 高斯模糊 iaa.AdditiveGaussianNoise(scale=(0, 0.05*255)), # 高斯噪声 iaa.LinearContrast((0.8, 1.2)), # 对比度调整 iaa.MultiplyHue((0.8, 1.2)) # 色相变化 ])

关键参数经验值：旋转角度≤45度避免形变，模糊sigma<1.0保持边缘清晰，噪声scale<5%防止信息丢失。

3. YOLOv5模型训练技巧

3.1 模型选型与超参配置

针对小样本场景的特殊调整：

# data/hyp.finetune.yaml lr0: 0.003 # 初始学习率降低30% warmup_epochs: 5 # 延长热身训练 box: 0.06 # 加大框损失权重 cls: 0.3 # 降低分类损失权重

python train.py --img 640 --batch 16 --epochs 100 \ --data custom.yaml --cfg yolov5l.yaml \ --weights yolov5l.pt --hyp hyp.finetune.yaml

3.2 训练过程监控

重点关注三个指标：

1. mAP@0.5：主要优化目标，达到0.8+可进行半标注
2. Recall：反映漏检情况，低于0.7需增加正样本
3. Precision：反映误检情况，低于0.8需清理脏数据

# 验证集性能监控回调 class SemiSupervisedCallback(pl.Callback): def on_validation_end(self, trainer, pl_module): if trainer.current_epoch % 5 == 0: map50 = trainer.callback_metrics['map50'] if map50 > 0.8: generate_pseudo_labels()

4. 半标注迭代优化

4.1 伪标签生成

采用动态阈值策略平衡质量与数量：

def generate_pseudo_labels(model, unlabeled_data): results = model(unlabeled_data) pseudo_labels = [] for img_idx, det in enumerate(results.xyxy): valid_dets = det[(det[:,4] > 0.25) & (det[:,5] == 0)] # 筷子类别 pseudo_labels.append({ 'image': unlabeled_data[img_idx], 'boxes': valid_dets[:,:4], 'scores': valid_dets[:,4] }) return pseudo_labels

4.2 人工微调技巧

使用LabelImg修正伪标签时：

1. 按置信度排序：优先检查低分检测框（<0.3）
2. 密度可视化：用热力图定位密集区域易错点
3. 批量操作：对连续误检框使用组删除/移动

# 启动带伪标签的标注工具 python labelimg.py images/ pseudo_labels/ --autosave

5. 工业级部署优化

5.1 模型轻量化

在 Jetson Nano 上的优化方案：

# 模型剪枝 python prune.py --weights runs/train/exp/weights/best.pt \ --percent 0.3 --device 0

5.2 推理加速

使用TensorRT部署时的关键参数：

# export.py model = torch.load('best.pt')['model'].float() model.eval() model.model[-1].export = True # 开启末端优化 torch.onnx.export(model, im, 'model.onnx', opset_version=12, dynamic_axes={'images': {0: 'batch'}, 'outputs': {0: 'batch'}})

6. 扩展应用场景

本方案经适配可应用于：

• 零售货架商品盘点：适应不同包装形态
• 细胞显微图像分析：需调整增强参数（禁用几何变换）
• 交通流量监控：添加运动模糊增强

# 细胞计数专用增强序列 cell_seq = iaa.Sequential([ iaa.ElasticTransformation(alpha=(0, 5.0), sigma=0.25), iaa.GammaContrast((0.8, 1.2)), iaa.GaussianBlur(sigma=(0, 0.5)) ])

在最近一个药品泡罩包装检测项目中，使用该方法将标注成本降低70%的同时，使漏检率从15%降至5%。关键点在于针对透明材质增加了光学折射模拟增强。