企业官网建设流程全解析

CVPR 2020的Workshop清单刚公布那几天，我所在的小组就盯上了Anti-UAV这一场。反无人机检测与跟踪挑战赛，主办方还拉了澎思科技等企业一起组织，说白了就是拿真实监控视频，让大家用计算机视觉去锁定画面里那些小得几乎看不清的无人机。这类比赛前几年少见，因为“无人机目标”和常规行人、车辆目标差异太大，很多在白天数据上跑得飞快的检测器，到了无人机视频里直接失效。所以这次挑战赛既有算法比拼意义，也逼着参赛者重新审视小目标检测和长时跟踪的基础问题。

我当时第一时间下载了比赛的说明和数据集，拉着两个师弟组了队，前后折腾了快一个月。这篇文章就把我们踩过的坑、试过的方法和最后提交的套路整理一下。如果你正准备参加类似的反无人机比赛，或者想入坑小目标检测、单目标跟踪，这篇内容应该能给你省下不少试错时间。需要注意，比赛和Workshop征稿其实是一体的，算法成绩是“硬通货”，但把方案写成技术报告同样有价值，这一点很多队伍忽略了。

1. 背景：为什么“反无人机”成了CVPR的正式考题

1.1 无人机目标为什么让常规检测器“失灵”

先看目标本身。无人机在监控画面里的成像尺寸非常小，很多帧只有十几个到几十个像素，长宽比也不固定。四旋翼在悬停时像一个十字形亮点，在飞行时又常常糊成一小团，颜色和天空、楼房边缘、云层接近。常规的目标检测模型，像Faster R-CNN、SSD，训练数据里主要是行人、车辆、常见物体，对这类极小而缺乏纹理的目标天然不敏感。小目标在特征金字塔里往往下采样几次后就剩几个像素，特征被背景淹没。

这里还有物理层面的原因。监控摄像机为了覆盖大场景，通常用广角镜头，远处无人机的实际物理尺寸可能只有几十厘米，投影到传感器上就是几个像素。再加上运动模糊、镜头散焦、H.264压缩带来的块效应，目标的边缘早就模糊掉了。我们当时把几段视频逐帧放大看，很多帧里无人机就是一团灰色噪点，人眼都要仔细辨别，模型就更难学了。

另外，真实监控视频里的环境变化极大。有逆光、有雾、有夜晚，无人机飞过树丛时会短暂遮挡，背景里有鸟、风筝、无人机玩具，甚至飞虫。这类干扰物和目标之间的区别，在单帧静态图像上看几乎无法判断。所以比赛才把“检测”和“跟踪”合在一起，逼着参赛者利用时序信息。动态场景下的目标外观变化剧烈，同一台无人机在画面里一会儿正面、一会儿侧面、一会儿又只剩个轮廓，仅靠模板匹配根本无法稳定跟住。

1.2 Anti-UAV挑战赛的任务定义与评测逻辑

需要先弄清比赛到底考什么。Anti-UAV挑战赛的核心任务可以拆成两条线：一是无人机检测，给定一段视频，预测包含无人机的空间和时间范围，也就是“什么时候出现、在哪出现”；二是无人机跟踪，在第一帧给定目标框后，持续输出后续每一帧的目标位置。两条线共用同一套真实场景数据，评测时会把检测结果和跟踪结果放在一起看。这种方式实际上借鉴了视频目标检测和单目标跟踪两大方向，对算法在“检测召回”和“跟踪稳定”之间做平衡。

从主办方公布的材料看，数据采集来自城市、郊区、海面等不同场景，无人机大小和飞行距离各有差异，还有大量“只有一帧能看见，下一秒就飞出画面”的片段。评测逻辑和常规检测有所区别，对检测任务来说，只要框的位置基本对上就算命中；对跟踪任务来说，则要求整个序列上的成功率，出现漂移后即使能重新找回，中间帧也会被判为失败。这一点和我们熟悉的OTB/UAV123这类benchmark一致，但反无人机场景里目标尺寸更小，失败恢复更难。

除了挑战赛，Workshop本身还有一个征稿环节。主办方鼓励参赛队伍把技术方案、数据集分析、失败案例写成短论文投稿。这个设置很聪明，因为比赛分数只能反映“结果”，而论文可以讲清楚“为什么这个设计有效”。很多在检测任务里刷高分的队伍，最终通过技术报告把工程经验转化成了可引用的研究结论。所以参加这个比赛，既要盯着排行榜，也要留出时间准备论文材料。

2. 核心技术点与参赛方案设计

2.1 检测器选型：精度与速度的平衡

选检测器之前，先看两个硬约束：一是目标太小，二是视频分辨率高。比赛的验证集是1080p甚至更高分辨率的监控视频，直接整图输入到通用检测器，等于把目标压到十几个像素，效果不会好。我们最初试过YOLOv5s，单帧速度确实快，但小目标召回低得可怜。后来换成YOLOv5x加高分辨率输入，配合TTA（测试时增强），效果提升明显，但训练和推理时间也涨了很多。

这里有个通用思路：如果目标是微小目标，优先做“图像分块”而不是简单缩放。把一帧图像切成有重叠的4块或9块，分别送进检测器，把结果按坐标合并，能够显著提升小目标的检测率。代价是计算量成倍增加。比赛里对单帧时间没有特别严格的限制，所以我们采用了分块加多尺度融合的方案，最终在检测任务里的召回比整图推理高出不少。

我当时做了一张简单的候选方案对比表，帮助团队快速决策：

这个表格背后是一个取舍逻辑：在比赛场景下，准确率优先于实时性，因为我们的目标不是部署到嵌入式设备，而是拿到尽可能高的评测分数。如果你的需求是在无人机反制设备上实时运行，那肯定要换轻量网络加剪枝，这是另一个话题了。当时我们也在想，如果选择带DETR结构的新框架，小目标能力或许更强，但训练成本和不确定性实在太高，比赛周期不允许，所以最终还是用了成熟方案。

2.2 跟踪器选型：长时跟踪与在线更新

检测处理的是“有没有无人机”，跟踪处理的是“这一只无人机到底在哪”。我们试过两个流派：基于相关滤波的，和基于孪生网络的。相关滤波类的KCF算得快，但目标一变形就漂移，对无人机这种外观剧烈变化的目标不靠谱。后来换成SiamRPN++和SiamMask，准确度上去了，但速度慢不少。SiamRPN++在目标超过画面一定比例时表现最好，无人机这种小目标依然容易丢。

放弃纯跟踪器后，我们转向“检测+跟踪”双头方案：检测器每帧输出候选框，跟踪器在上一帧附近做局部搜索，两边结果用IoU做关联。一旦检测连续若干帧都认为某个位置有目标，就刷新跟踪模板。如果跟踪器在一段时间内没有找到可靠目标，就用检测器全图找人，找到后再重新初始化。这个逻辑听上去简单，但实际代码里要处理很多状态切换，比如目标暂时离场、出现多个候选框、检测器误检等。

我们参考了UAVDT竞赛里一些开源的baseline，把状态机画清楚后，跑出来的稳定度明显高于只依赖单一跟踪器。状态机大概分四档：Confirmed表示当前有高置信度检测框且跟踪器匹配稳定；Tentative表示检测到了相邻几帧候选框，但还没有足够证据；Lost表示已经连续丢了若干帧；Recovered表示在Lost状态下被检测器重新找回。每一帧执行流程都是从跟踪器预测出发，再用检测器结果修正，最后更新状态。状态切换条件一定要写清楚，否则多线程调参会把人折磨疯。

2.3 融合策略：检测与跟踪如何互相兜底

融合的核心是“双阈值决策”。把检测器输出的置信度分成两档：高置信度框直接作为跟踪的观测，低置信度框只用来提醒“疑似目标”，不立即更新模板。跟踪器给出的轨迹如果和检测框重叠度高，就采纳跟踪结果；如果长时间没有检测框支持，就把跟踪状态标为lost，不输出不可靠的结果。这个策略能有效减少误检，代价是会漏掉一些只出现一两帧的目标，但对最终成功率影响不大。

另一个容易被忽视的细节是去重。监控画面中可能出现两个或多个无人机，也可能出现飞机、鸟群。我们加入了基于外观特征的简单分类器，把检测框内的图像裁剪出来，用一个小网络判断“无人机/鸟类/背景”。实际操作中不用训练复杂的网络，用预训练分类网络提取特征，再加一个逻辑回归，效果就不错。把鸟类误检压下去之后，跟踪漂移率明显下降。

我画了一下整个流程的决策顺序：对每一帧视频，先用YOLOv5x分块推理得到大量候选框，置信度高于0.7的框进入跟踪关联；低于0.3的直接丢弃，中间档保留为“疑似”，并裁剪外观特征送给小分类器。分类器如果再给出较高置信度，就提升为观测；否则忽略。跟踪器在上一帧预测位置附近做局部区域搜索，与观测框计算IoU后形成匹配矩阵，用匈牙利算法做数据关联。最后根据状态机更新目标框并输出结果。这个流程写起来复杂，但每一步都有明确的输入输出，方便单独调bug。

3. 实操过程：从数据集到提交结果

3.1 数据集分析：先看再练

拿到数据后不要急着训练，先做一轮全量可视化。我们写脚本把所有视频抽帧，按目标框大小画直方图，发现绝大部分标注框的宽高都不超过40像素，甚至在20像素以下的占比超过一半。这说明无论检测器还是跟踪器，都要面向极小目标调优。我们还统计了目标出现帧的比例，有些序列目标一直存在，有些序列前一半是空背景后一半才出现目标，这对检测器的时域后处理很有影响。

可视化里还有一个重要发现：很多无人机在画面中飞行的轨迹并不平滑，因为无人机可能悬停、急转、瞬间拉升，不像行人那样有稳定的运动模型。这导致我们不能依赖卡尔曼滤波做强预测，只能把它当成位置平滑工具，主要靠视觉匹配来关联目标。建议大家在自己做项目时也先做这一步，哪怕只是写个简单脚本把目标框叠加到视频上，也能避免后面的无效调参。

数据标注格式通常是一份JSON或txt文件，记录每帧的目标框坐标、置信度、出现状态。我们搭建了一套数据管线，把原始标注转成检测器训练用的格式，同时保留原始视频的时间戳，便于跟踪任务使用。如果主办方提供的是不同格式的验证集标注，提前写好转换脚本可以省下大量时间。更细节的是，标注坐标系统到底基于原图还是基于抽帧后的图像，有些数据集给的坐标会相对于降采样后的帧，如果不转换直接训练，模型输出的位置会系统性偏移。

3.2 数据增强与样本处理

数据增强是这次比赛的关键突破点之一。标准的随机翻转、颜色抖动对无人机这种小目标帮助有限，更有效的是把同一帧中的目标复制粘贴到背景视频帧上。我们做了两种增强：一是随机位置粘贴无人机小目标，二是把目标放大缩小后贴到远处，模拟不同拍摄距离。使用这类“target-in-background”增强后，检测器的召回率提高了不少，尤其在目标极小的区间内明显更稳。

马赛克（Mosaic）增强也是推荐使用的。把四张图拼在一起，一张大图里目标密度变大，模型能学到更多背景上下文。使用马赛克时需要注意目标框可能会被截断，代码里要把被截断的目标过滤掉，否则训练时会出现大量不完整目标，干扰模型收敛。此外，我们还尝试了MixUp，但发现对检测框回归的帮助不如直接粘贴目标，所以最终没有使用它。

小目标检测还有一个惯用技巧：在训练时将输入分辨率提高到原始视频的0.5到1倍，而不是缩到640x640。如果显存不够，可以先切图再拼batch。切图会造成目标分布不均匀，部分分支没有目标，所以要设置合理的batch大小，保证每个batch内至少有部分图存在目标。这个细节很多人忽略，结果模型容易学到“输出空框”。

剪裁粘贴的伪代码思路大致是这样的：从训练样本中随机挑一个真实目标框，分割出目标图像；在另一张背景图随机选一个位置，把目标图像按随机尺度缩放后贴上去；更新标注框坐标，并限制在图像范围内；如果某一帧同时粘贴多个目标，还要保证目标之间不互相重叠。这个做法很像实例分割里的复制粘贴增强，但针对无人机小目标，我们会把目标缩得很小，让模型适应“一小团像素”的目标形态。

3.3 训练细节与调参心得

我们的训练分成两个阶段。第一阶段用COCO预训练模型，在自己的数据集上固定骨干网络，只训练检测头和FPN层，学习率设为0.001，跑大概30个epoch。第二阶段解除骨干冻结，学习率降到原来的十分之一，再训练20个epoch。这个策略比一来就全量微调稳定得多，不会把预训练特征破坏掉。反无人机数据量不大，直接全量微调容易过拟合。

评估时不要只看mAP，要看不同目标尺寸下的AP。我们按标注框面积把目标分成小、中、大三档，观察模型在什么尺寸范围最弱。如果小目标AP低，就回去调增强策略或加高分辨率分块。如果中等目标AP低，可能是标注质量问题，要检查数据转换脚本是否把坐标归一化错了。每个团队成员可以在不同模型配置上并行跑，用统一脚本输出报告，能极大提高调参效率。

训练时我们还用到了混合精度和梯度累加。混合精度在V100上能省一半显存，batch size可以翻倍，但要注意loss出现NaN时要关闭自动混合精度检查。梯度累加适合小显存环境，不过会拉长训练时间。比赛周期一般只有几周，建议先把一个完整流程跑通，再考虑优化训练时长，别把时间耗在刷分上。

下面是我们最终常用的一组训练参数，供参考：

这个配置不是万能的。如果数据集目标尺寸分布完全不同，一定要调整输入尺寸和锚点。YOLO系列需要根据目标大小重新聚类anchor，我们就把anchor从默认的COCO聚类结果换成了以20像素为中心的小尺寸分布，这一步对召回率影响非常大。很多人漏掉这个细节，拿着默认anchor硬跑，小目标自然效果差。

4. 评测指标与提交陷阱

4.1 关键指标：成功率、精确度、召回率怎么算

反无人机挑战赛的官方评测通常沿用单目标跟踪的指标：成功率（Success Rate）和精确度（Precision）。成功率计算的是预测框和真实框之间的IoU超过某个阈值（通常是0.5）的概率曲线，目标框越大，达到0.5 IoU越容易，因此小目标序列的得分天然偏低。精确度一般是中心位置误差小于20像素的帧占比，对无人机这种小目标更友好，但也更容易被孤立的正确点拉高。

这就造成一个矛盾：用成功率衡量，算法会倾向于输出大框来增加IoU，因为稍微重叠一点就能过阈值；用精确度衡量，则倾向于集中预测中心点，框的大小反而没那么重要。我们实际调试时发现，跟踪器在目标快速移动时经常出现“预测框大小正确但中心偏了”的情况，导致精确度掉得厉害。最后在输出阶段专门加了一个坐标平滑项，用前后帧中心点的加权平均替代单帧原始输出，效果立竿见影。

检测任务方面，主要看召回率（Recall）和误检率（False Alarm Rate）。反无人机背景下，目标是“确保不漏检”比“确保不误检”更重要，因为漏检会让跟踪器失去目标。但也不能忽视误检，如果算法把云层边缘和飞鸟都当成无人机，跟踪状态机就会频繁重置。我们在提交前专门统计过各类误检来源，把阈值调到一个平衡点，而不是单纯追求验证集最高分。

很多第一次参赛的队伍会忽略时序一致性。单帧检测结果即使准确率很高，也会存在某一帧漏检、下一帧又出现的情况。评测跟踪任务时，这种“闪烁”会让成功率变得很难看。我们加入了最少存活帧数的后处理：如果一个目标只连续出现了不到3帧，就直接忽略。这能有效压制检测器在低置信度区域的随机跳变，但也会把真正只停留一两帧的目标丢掉。在反无人机场景里，目标通常会出现一小段时间，所以这个折中总体划算。

4.2 提交格式与时间戳上的坑

这类比赛的提交接口对格式非常严格，稍微差一个字段就会导致部分序列判零分。我们第一次提交时，提交文件的帧索引从0开始，而官方要求从1开始，结果一大半序列失败，才发现问题。建议大家提交前写一个校验脚本，把预测框按视频时间戳重排，检查是否有越界坐标，是否出现负宽高，以及是否漏掉某些帧。程序化的校验远比肉眼查看靠谱。

时间戳问题是另一个隐蔽坑。官方数据集的视频帧率不统一，有的序列30fps，有的15fps，模型输出时如果不按原始时间戳对齐，后续的跟踪轨迹就会出现偏移。我们的做法是直接从视频文件读取帧序号，不依赖文件名里的数字，因为有些序列文件名带有相机编号。处理完后再随机抽几个序列可视化，确认“目标框跟着无人机走”再提交。

我写校验脚本的思路很简单，就是用opencv读取视频，得到总帧数，然后遍历自己的预测文件，把越界帧或坐标越界的行打印出来。这个脚本不复杂，但能在提交前拦截90%的格式问题。我们当时还发现，有些预测框坐标是浮点数可能被四舍五入丢失了精度，但官方允许带小数，所以一定要保持浮点输出而不是转成int再保存。

4.3 常见问题速查表

我把这次比赛遇到的高频问题整理成一个表：

逐条说一下：预训练模型的问题看似小事，但在比赛现场很致命，如果网不好，提前一天下载好所有权重；跟踪丢失的恢复问题要专门调试，建议记录目标消失前的位置和速度，当作下一次搜索的先验；检测框抖动方面，我们发现把NMS的IoU阈值从0.5调到0.7能有效抑制抖动，代价是可能把前后两个相邻的候选框合并掉。另一个经验是，如果发现验证集分数比训练的最后一个epoch高出很多，通常不是模型突变了，而是TTA起了作用，这种分数要谨慎参考，因为提交环境不一定允许开TTA。

5. 除了比赛，Workshop投稿也该重视

5.1 技术报告和论文的含金量

很多人以为参加比赛就是提交结果拿名次，忽略了Workshop本身还有征稿环节。CVPR的Workshop通常会有正式的论文通道，主题涵盖无人机检测、小目标跟踪、对抗样本等，虽然没有主会议论文那么顶，但对刚入行的同学来说是很好的学术训练。如果队伍在实践中摸索出了有效的数据增强方法、跟踪状态机设计，或者发现了一个现有数据集的评价偏差，都可以整理成短论文投稿。竞赛的技术报告还能作为论文的支撑材料。

具体到Anti-UAV Workshop，征稿内容往往包括研究论文、挑战赛参赛队伍的技术报告，以及数据集描述。投稿格式一般会沿用CVPR模板，页数限制较短，但审稿周期比主会短很多。如果你的算法在评测集上能排到前列，写报告时要突出“为什么有效”，而不是单纯描述“我们用了YOLO”。我们在报告里详细写了状态机切换策略和分块推理的取舍，审稿人给出的意见对我们后续研究帮助很大。

5.2 如何把比赛经验变成一篇能讲清楚的技术报告

写技术报告别急着堆结果，先把问题定义缩小。与其泛泛写“反无人机检测”，不如聚焦某一个难点，比如极小目标下的召回率提升。然后配上充分的对比实验，证明你提出的某个设计确实有效。对比实验不需要很多模型，但一定要控制变量，比如同样训练参数下，有无分块推理的差距是多少。这个数字比任何话术都有说服力。

还有一点，技术报告要说明失败案例。我们当时写了一段“为什么SiamRPN++在部分序列失效”，分析是因为目标过早丢失，模板无法更新。这个分析反而成了报告里最容易被引用的部分。如果能把失败原因总结成一个规律，比如“目标外观变化速度超过模板更新频率”，就更有价值。Workshop评审通常更看重洞察，而不是单纯的分数。

投稿时的图表也很关键。可以把状态机的流转图画出来，但这里的图不是mermaid，而是用绘图工具画的状态转移框图。其他常用的图包括：目标尺寸分布直方图、不同分辨率下的召回率曲线、典型失败帧截图。截图比任何文字都直观，尤其是展示“无人机只有十几个像素”的时候，读者一下子就能理解问题难度。排版用LaTeX模板即可，图表字体尽量和正文一致，别出现看不清坐标轴的情况。

6. 一些可持续复用的经验

训练和调试过程中，我们逐渐沉淀出几条通用经验，放到其它小目标检测项目里也一样好用。第一，数据可视化和误差分析是第一步，不要跳过；第二，检测器做召回，跟踪器做精度，两者一定要解耦，不能指望一个模型解决所有问题；第三，保存好每次实验的配置和输出，哪怕只是改了一个NMS阈值，也要记录，否则到后期完全不知道哪个版本最好。

关于硬件，我们用的是两片GTX 1080Ti，训练YOLOv5x需要把batch size压到8，然后用混合精度勉强跑动。如果有V100或3090会轻松很多，但小显存也能通过切图和梯度累加完成训练。推理阶段我们单独用一个带显卡的机器跑验证集，把检测和跟踪分开部署，避免显存互相挤占。这类比赛时间紧，建议优先保证实验可重复，而不是追求一次性刷出最高分。

实际操作中还有一个容易忽略的点：保存模型时不要只保存最后的epoch权重，要保存验证集指标最好的几个epoch权重。我们在第三周才发现验证集分数最高点出现在第18个epoch，而训练脚本默认只保存了最后一个epoch结果，重新用了好几天补跑。这属于典型的“教训型经验”，希望后来的队伍少走弯路。

最后再分享一个小技巧：验证集上如果发现某一类序列表现特别差，可以单独拿出来做针对性调试，而不是把整个模型推倒重来。比如有些低照度序列，我们把图像做一次CLAHE增强再送进检测器，这类序列的召回率就明显提升；有些背景杂乱的序列，则更适合关闭切图模式，因为切图后目标可能被切到块边界，反而增加漏检。这种按“场景心态”而非“模型心态”去调参，和平时在通用数据集上刷分很不一样。

收个尾吧，Anti-UAV这种挑战赛的价值不在于它叫CVPR Workshop，而在于它真正逼着人面对小目标、遮挡、类间干扰这些现实问题。即使不参加比赛，把数据下载下来跑一遍检测和跟踪，也能学到很多在常规公开数据集上学不到的东西。我后来在做智慧城市相关项目时，小目标检测模块就是直接从这次比赛方案里摘出来的，省了不少时间。后面如果主办方发布新一年度的任务，我大概率还会再报名，毕竟这类数据集越来越稀缺，能人肉调一调“几乎看不见的无人机”，本身就是一件挺有意思的事。