python-computer-vision

name: python-computer-vision description: Computer Vision — ловушки augmentation, detection, segmentation. Активируется при computer vision, cnn, resnet, yolo, u-net, detection, segmentation, augmentation, BGR, RGB, EfficientNet, NMS, bbox, albumentations, ViT

Computer Vision — ловушки

Preprocessing

BGR не конвертирован в RGB

Плохо: cv2.imread(path) -> transforms.Normalize(mean=[0.485, 0.456, 0.406]) — ImageNet нормализация на BGR Правильно: cv2.cvtColor(img, cv2.COLOR_BGR2RGB) сразу после cv2.imread Почему: OpenCV читает BGR, PyTorch/PIL ожидает RGB. Перепутанные каналы = модель учит мусор, features бессмысленны

Нет ImageNet normalization для pretrained

Плохо: transforms.ToTensor() без нормализации для pretrained ResNet/EfficientNet Правильно: transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) Почему: pretrained backbone обучен на нормализованных данных. Без нормализации features слоёв = мусор

Resize без точного размера

Плохо: transforms.Resize(224) — resize по короткой стороне, не в квадрат Правильно: transforms.Resize((224, 224)) — кортеж для точного размера Почему: Resize(int) сохраняет aspect ratio. Если вход не квадратный — размер не совпадёт с ожидаемым

Augmentation

Augmentation на val/test

Плохо: один и тот же transform с RandomFlip, ColorJitter для train и val Правильно: train = augment + normalize, val/test = только resize + crop + normalize Почему: augmentation на val даёт нестабильные метрики — каждый прогон разный результат

Augmentation не соответствует домену

Плохо: VerticalFlip() + RandomRotation(180) для фото людей — перевёрнутые люди не бывают Правильно: для фото с камеры — HorizontalFlip, Rotate(limit=15). Для медицины — VerticalFlip, Rotate(180) допустимы Почему: нереалистичный augment добавляет noise, модель учит распознавать то, чего не будет в production

Augment image без bbox transform

Плохо: A.Compose([transforms]) для detection без bbox_params — bbox координаты не обновляются Правильно: A.Compose([transforms], bbox_params=A.BboxParams(format='pascal_voc')) Почему: image повернулся, а bbox остался на старом месте — модель учится на неправильных координатах

Transfer Learning

Fine-tune с большим LR

Плохо: fine-tune pretrained модели с lr=1e-3 — pretrained features уничтожены за пару эпох Правильно: differential LR: backbone 1e-5, head 1e-3 Почему: backbone содержит обученные features (edges, textures). Высокий LR стирает их — катастрофическое забывание

Не заморожен backbone

Плохо: сразу fine-tune все слои pretrained модели на маленьком dataset Правильно: freeze backbone -> train head (5-10 эпох) -> unfreeze -> fine-tune с малым LR Почему: на маленьком dataset full fine-tune = overfit. Поэтапный подход сохраняет pretrained features

Detection

NMS не применён или порог неверный

Плохо: детекция без NMS — десятки overlapping boxes на одном объекте. Или NMS с iou_threshold=0.9 Правильно: NMS с iou_threshold=0.3-0.5 для большинства задач Почему: без NMS = дубликаты. Высокий порог почти ничего не фильтрует. Низкий (0.3-0.5) убирает дубли, оставляя уникальные

YOLO координаты не нормализованы

Плохо: YOLO labels с абсолютными координатами 0 100 200 50 60 Правильно: YOLO формат: class cx cy w h нормализованные 0-1, например 0 0.5 0.4 0.1 0.12 Почему: YOLO ожидает нормализованные координаты относительно размера изображения. Абсолютные = неверные bbox

mAP с одним порогом confidence

Плохо: compute_ap(predictions, conf=0.5) — оценка при одном пороге Правильно: mAP = area under precision-recall curve по ВСЕМ порогам confidence Почему: один порог не показывает качество модели. mAP оценивает ранжирование предсказаний целиком

Segmentation

CrossEntropy без DiceLoss при imbalance

Плохо: CrossEntropyLoss() для binary segmentation с 90% background Правильно: DiceLoss() + CrossEntropyLoss() — combo loss Почему: CE на imbalanced mask = модель предсказывает "всё background", loss низкий. Dice не чувствителен к imbalance

Input size не кратен 2^N для U-Net

Плохо: input = torch.randn(1, 3, 100, 100) для U-Net с 4 pooling — 100/16 = 6.25, crash на skip connection Правильно: input size кратен 2^N где N = количество pooling слоёв. Для 4 уровней — кратно 16 (256, 512) Почему: encoder и decoder feature maps не совпадают по размеру при concat — RuntimeError

Model Selection

Чек-лист

• BGR->RGB конвертация после cv2.imread
• ImageNet normalization для pretrained моделей
• Augmentation только на train, адекватна домену
• Detection: bbox transforms вместе с image
• Segmentation: Dice + CE loss для imbalanced masks
• Input size кратен 2^(pooling layers) для U-Net
• Differential LR: backbone < head
• Val/Test: детерминированный transform (resize + normalize)