1. 配置文件优化基础在mmrotate v0.3.1框架中配置文件是模型训练的核心控制中枢。以DOTA数据集为例典型的配置文件通常包含以下关键模块_base_ [ ../_base_/datasets/dotav1.py, ../_base_/schedules/schedule_1x.py, ../_base_/default_runtime.py ]数据增强优化是提升模型泛化能力的关键。我在实际项目中发现合理组合以下增强策略可使mAP提升3-5%train_pipeline [ dict(typeLoadImageFromFile), dict(typeLoadAnnotations, with_bboxTrue), dict(typeRResize, img_scale(1024, 1024)), dict(typeRRandomFlip, flip_ratio0.5), dict(typeRandomRotate, rate0.5, angles[30, 60, 90]), # 新增旋转增强 dict(typeBrightnessTransform, level5), # 亮度调整 dict(typeContrastTransform, level5), # 对比度调整 dict(typeNormalize, **img_norm_cfg), dict(typePad, size_divisor32), dict(typeDefaultFormatBundle), dict(typeCollect, keys[img, gt_bboxes, gt_labels]) ]学习率策略调优需要特别注意三点基础学习率与batch size的线性缩放关系如batch8时lr0.01warmup策略对训练稳定性的影响阶梯式下降与余弦退火的对比选择# 优化器配置示例 optimizer dict( typeAdamW, lr0.001, weight_decay0.05, paramwise_cfgdict( custom_keys{ backbone: dict(lr_mult0.1), # 骨干网络更低学习率 neck: dict(lr_mult0.5) # 颈部网络中等学习率 }))2. 多尺度训练策略详解多尺度训练是提升旋转目标检测性能的利器。在DOTA数据集中由于航拍图像的目标尺度差异大采用动态尺度策略尤为重要基础多尺度配置img_scales [ (800, 800), (1024, 1024), (1200, 1200), (1400, 1400) ] train_pipeline [ ... dict(typeMultiScaleFlipAug, img_scaleimg_scales, transforms[ dict(typeRResize), dict(typeRandomFlip), dict(typeNormalize, **img_norm_cfg), dict(typePad, size_divisor32), dict(typeDefaultFormatBundle), dict(typeCollect) ]) ]进阶技巧尺度概率采样给不同尺度分配不同采样概率scale_prob [0.3, 0.4, 0.2, 0.1] # 偏向中等尺度动态尺度调整根据训练阶段动态调整尺度范围if epoch 5: # 初期使用较小尺度 scales [(800,800), (1024,1024)] else: # 后期引入大尺度 scales [(1024,1024), (1400,1400)]实测表明合理配置多尺度训练可使DOTA数据集的mAP提升4-7%特别是对小目标如车辆检测效果显著。3. 骨干网络与特征金字塔优化骨干网络选择对旋转检测至关重要。对比实验结果骨干网络参数量(M)mAP0.5推理速度(FPS)ResNet5025.568.215.6ResNet10144.570.112.3Swin-T28.372.410.8ConvNeXt28.673.811.2特征金字塔改进建议使用PAFPN替代标准FPN增加特征融合层的通道数neckdict( typePAFPN, in_channels[256, 512, 1024, 2048], out_channels384, # 原为256 num_outs5)添加注意力机制neckdict( typeRFPNWithAttention, attention_typeCBAM)4. 训练过程监控与调优关键监控指标分类损失与回归损失的平衡正负样本比例变化学习率动态变化曲线典型问题解决方案梯度爆炸optimizer_config dict( grad_clipdict( max_norm35, norm_type2))过拟合增加MixUp数据增强调整Dropout比率model dict( bbox_headdict( dropout_ratio0.3)) # 原为0.1样本不均衡train_cfgdict( samplerdict( typeOHEMSampler, num512, pos_fraction0.25, neg_pos_ub-1, add_gt_as_proposalsTrue))建议每50个iteration检查一次损失曲线当发现验证集指标波动较大时可适当降低学习率或增加正则化强度。