0 写在前面

又过了一个gap week，总算想清楚了之前遇到的一些问题，现在需要把之前画的大饼们一个一个消化掉。跳出来就会知道，总有一些something is wrong的人喜欢散播点焦虑，你要做的不是惩戒他们，而是赶紧远离，世间事物总是平衡的，得到多少就会失去多少，同样失去多少就会得到多少。

分割线分割住焦虑。
事情的起因是由于中期了，需要搜集点专业资料用来画饼吹牛，然后再就是需要奶一波师弟，我希望我的师弟们也可以成为最好的师弟。因此，就有这篇，半教程半纪实的手册。（前段时间没更新的原因是太焦虑了调整自己用了很久，以及确实没有啥好的idea主题和素材，如果大家想有什么想知道的，可以私信告诉我）
我的一生就是要穷尽无限可能。

1 一个新思路

之前从魔法的角度说明了应该如何写一篇小论文/找创新点，都是一回事。现在用一个新角度和实例来说明该怎么做。
之前看的机器学习八股，有个很重要的知识点——机器学习的步骤。

1. 收集数据
2. 准备数据
3. 选择模型
4. 训练
5. 评估
6. 超参数调整
7. 预测

那么我们这次试试使用机器学习完整的流程来解释应该做什么。

1.1 收集数据

收集数据：就是确定你的研究对象/研究目标是什么，通俗来说就是毕业论文题目中的物和数据。深度学习依赖大量的数据，所以需要进行数据集的搜集。
常见的COCO，VOC数据集，特定的在网上找一下或者海鲜市场。（感兴趣我做一个数据集整理）以我个人为例：我是扒的比赛数据集，另外和同学也可以共享。
【特此解释一下，本人目前在手册中展示的ppt或者数据集均为个人资源以及课题组资料，目前无法开源。NEU师弟师妹可以凭学生证私信，无偿分享。不支持白嫖党，格局开了有没完全开。感谢理解。】

传统水下目标检测数据集为：扇贝、海星、海胆、海参。
来源比赛：全国水下机器人大赛湛江赛：比赛链接
每年扩充数据集的内容变化不大，可参照2021年湛江赛为标准版本。
数据集内容：
train：8200
test：1200
样图：

1.2 准备数据

准备数据的意义：数据的处理和准备也是做实验的一个必要前提，处理得当的数据，也会促进实验效果。
处理数据要从以下几点考虑：

• 如果要引用同行的数据实验：首先检验以下数据集是否一致，其次检验处理方法是否一致
• 数据集是否需要重新标注
• 是否数据集需要自己制作
• 数据集的大小对检测结果的影响
• 数据集预处理
• 数据集中是否有影响检测效果的因素：即是否需要进行数据清洗

1.3 选择模型

深度学习模型有很多种，那么如何选择模型呢？

• 首先选择最新的：新就是查看当年最新的论文/会议和项目，开源代码优先，缺点是对工程能力不强的人来说，比较难调试以及优化
• 其次选择经典的：经典永流传，一个经典的框架是经过时代的验证，经典的框架有大厂进行维护，所以结构是比较完整的，也更模块化，比较好优化
• 最后是根据你研究的问题来选择模型：比如做提升精度，尽量选择一些baseline精度较高，精益求精；解决的是工程问题，尽量选择比较轻的模型

1.4 训练

训练模型其实就是找到路径，将数据进行喂进去，再调整超参数。超参数的设置一般先按开源的框架给定描述来，其次是查阅对比文献，按对比文献的参数进行调整，实现控制变量的原则。

1.5 评估

一般来说，选择大厂背书过的模型是有集成的评价指标，如果需要增添其他的评价指标，需要自己进行写入。常见的目标检测指标一般为：

• IOU
• Precision
• Recall
• AP
• mAP

1.6 超参数调整

这步有需要可以进行一定的实验，因为在某些文章中会根据炼丹过程进行判定，但是我还没有使用过这个，可以在后续的学习中了解一下再回来补上。

1.7 预测

在目标检测中，这个步骤叫做推理，就是检验你训练过的模型，是否能够在未打标的数据集上进行推理预测，检验结果。推理的结果可作为可视化展示的图片，上面标清楚了结果预测的数值，作为一个很好的判断。

2 有效复盘

其实构思小论文时，任何一步都会成为突破口，包括从评价指标点的切入，从提升推理时间的角度考虑。 都可以作为改进的创新点，然后检索出一个小的突破口，在进行深入的研究，就可以得到进展。
In a word嘛，就是阅读文章＋做实验，一定可以有进展的，大家加油哦！