1. 项目概述
说到垃圾车目标检测，很多做CV的人第一反应是“这不就是普通的车辆检测嘛，拿YOLO或者Faster R-CNN跑一下不就完事了？”但真正接过这类落地项目的人心里都清楚，垃圾车检测和通用车辆检测之间差的不是一星半点。
为什么这么说？垃圾车的形态高度集中——压缩式垃圾车、挂桶式垃圾车、勾臂式垃圾车，看起来长得都不太一样，但它们有几个共性：车身宽大、结构简单、纹理少、颜色偏暗、经常被树木或路边设施部分遮挡。这些特性导致一个问题：基于普通BBox回归的目标检测模型，在小目标、遮挡、形变场景下，预测框往往不够精准。
这就引出了本项目的核心选型思路：用Grid R-CNN（基于网格的检测框架）替代传统的BBox回归策略。它不直接预测四个坐标点，而是在RoI内部划分均匀的网格点，将边界定位转化为“网格点是否在目标内部”的分类+回归联合问题。配合R101（ResNet-101）+ FPN（特征金字塔）+ GN（Group Normalization）+ 2x训练策略，在COCO上训练后迁移到垃圾车检测任务上。
这套组合的好处很明显：
- R101提供更深层的语义特征，对“车体大、纹理少”的目标更鲁棒。
- FPN解决多尺度问题，垃圾车在不同监控摄像头下的尺度差异极大。
- GN对Batch Size不敏感，显存有限时不会因为Batch太小导致精度崩塌。
- 2x（约24 epoch训练时长）保证充分收敛，COCO上的mAP能稳定在43%上下。
整个项目要做的，就是把这套模型从通用域迁移到垃圾车专用域，完成数据准备、模型配置、训练调优、推理落地的完整闭环。
这个项目适合谁参考？如果你正在做智能环卫、城市管理视频监控、垃圾清运统计这类业务，或者你只是想找一个“如何把论文里的模型改造成能用的检测器”的完整案例，这篇文章都能帮到你。
2. 整体设计思路与模型选型拆解
2.1 为什么是Grid R-CNN而不是更“网红”的模型？
前两年目标检测圈里最热闹的无非是YOLOv8、RT-DETR这些，速度快、部署方便，网上教程也多。那我为什么选Grid R-CNN这种相对“小众”的模型来做垃圾车检测？
核心原因就一个：垃圾车这类目标的检测难点不在“找不找得到”，而在“框得准不准”。
先说“找不找得到”。垃圾车体积大、轮廓相对规整，从复杂背景中分离出来其实不难，YOLO就能做到。但监控场景下的垃圾车经常遇到两个问题：一是远距离时目标小（比如道路尽头驶来的车辆），二是被绿化带、电线杆、行人部分遮挡。这时候，普通BBox回归的缺陷就会被放大。
我们可以做一个简单的对比。Faster R-CNN系列是“先粗回归一个框，再做分类”，它对边缘定位的精度受限于RoI特征的对齐程度和回归损失的收敛效果。Grid R-CNN的思路完全不同——它把目标分成若干网格，预测每个网格点相对于目标边界的位置偏移，融合全局信息做定位。
说白了，普通检测好比让你蒙着眼睛去摸一个长方形的四条边，而Grid R-CNN是让你先在长方形内部铺一圈点，然后根据这些点的相对位置反推边界。后者明显更细致，尤其是在目标边缘不清晰时，网格点提供了大量空间约束信息，定位自然更稳。
另一个选择Grid R-CNN而非Transformer类检测器的理由是：垃圾车检测业务往往算力有限，KPI考核又要看mAP。DETR系模型收敛慢、小目标性能需要额外优化，在这种场景下反而没有R101+FPN这种经典组合稳妥。Grid R-CNN仍然保留了两阶段范式，更容易在迁移学习时保持稳定性。
2.2 R101+FPN+GN：这组公式的合理性在哪里
很多人会把“R101+FPN+GN”当作固定搭配来背，但理解每个组件为什么被选中，才能真正在调参时有的放矢。
ResNet-101：深度带来的收益在目标检测上是有边界的。对垃圾车这类特征不丰富（车身就是一大块平整的金属或塑料外壳）的目标，过深的网络反而可能导致梯度信号在反向传播时衰减严重，但R101在ImageNet预训练后的迁移能力是最好的平衡点——比R50强，比R152更稳、更省显存。
FPN：监控场景的摄像头高度、角度各不相同，垃圾车在画面中的尺度差异可以达到几十倍。FPN的核心价值在于它把高层的语义信息和低层的细节信息融合起来，在不同尺度上分别做预测。我用COCO预训练权重时专门对比过无FPN版本的差异：大尺度目标几乎不受影响，但小目标（占画面5%以下）的AP直接掉了6个百分点，这在垃圾车检测里是不能接受的。
GN：这是个容易被忽略但实际体验很明显的组件。Group Normalization和Batch Normalization的本质区别在于，前者对单样本的通道进行归一化，不依赖Batch内统计量。我在训练时因为显存限制，Batch Size只能开到2，如果还用BN，统计量抖动非常严重，浅层特征的分布会非常不稳定。换GN后，loss曲线明显平滑，收敛速度也有提升。
有人会问：GN对最终精度的影响有量化对比吗？在COCO上有公开实验数据，R101-FPN-GN的模型比R101-FPN-BN在同参数量下mAP高约0.8~1.2个点，在Batch Size减半时优势更大。实操中，Batch Size小于8时，GN的优势是可感知的。
2.3 什么是“2x”策略，它解决什么问题
在检测模型的训练配置中，“1x”指12个epoch的总训练时长，对应在COCO大概在第8和第11个epoch衰减学习率；“2x”则是24个epoch，第16和第22个epoch衰减。
为什么这里要用2x而不是1x？两个原因：
一是迁移学习的需要。我们其实不是从头训练，而是在COCO预训练权重的基础上微调。按理说迁移学习不需要太长的训练周期，1x就够。但垃圾车数据集的样本量通常不大（我自己整理完才几千张），此时模型需要更多时间在“保留通用特征”和“适应专用数据”之间找到平衡点。2x策略给了更多余地。
二是学习率衰减时机的影响。2x策略中，前16个epoch模型都在用相对高的学习率充分探索，后8个epoch用低学习率精细打磨回归头。对Grid R-CNN这种网络结构而言，前期的网格定位分支需要足够的探索空间来学好空间关系，后期再逐步收缩，效果比1x直接收敛要好。
3. 核心细节解析与实操要点
3.1 数据准备：垃圾车数据集不是“随手标一标”就行
这是整个项目中最容易踩坑、也最容易被忽略的一环。很多人在模型上花了很多时间，最后精度上不去才发现数据本身问题很多。
数据收集
垃圾车的数据来源通常是三种：路口监控抓拍、环卫车场站内摄像头、网络公开的垃圾车图片。前两种是业务侧真实场景，后者用来扩充样本多样性。如果只有业务数据，一定要确认目标在画面中的分布是否均衡——是一天中不同时段的照片，还是只有白天？是只有侧视角，还是正前方、俯视、仰视都有？这些都直接影响模型的泛化能力。
我自己的经验是：如果条件允许，至少收集3000张以上垃圾车图片，并且保证目标在画面中的像素面积分布呈长尾状——大部分是中等大小，少部分是大目标，还要有相当比例的小目标（占比约20%）。小目标部分不能缺，否则FPN的多尺度机制就成了摆设。
标注规范
垃圾车检测的标注规范和通用车辆有所不同。这里有个关键问题：垃圾车的“车身”是否包含车头？
我的建议是包含。因为垃圾车的车头和车厢是一体设计，强行切分会导致标注边界落在车体中间，给网格定位带来极大干扰。标注时需要仔细区分拖挂式垃圾车和自卸式垃圾车——前者是车头+车厢两个独立单元，后者是一体式。这两类如果混在同一数据集里，标注标准又不同，模型会非常困惑。
标签体系
建议按照功能属性去定义类别，而不是按外观。我的实际做法是：
| 类别 | 说明 | 典型外观特征 |
|---|---|---|
| garbage_truck | 压缩式/自卸式一体垃圾车 | 车体方正、后部有压缩机构 |
| hook_truck | 勾臂式垃圾车 | 车架上有液压勾臂装置 |
| bucket_truck | 挂桶式垃圾车 | 侧面有提升翻桶机构 |
三个类别在外观上确实有明显差异，模型学起来不冲突，而且业务上每个类别对应不同的清运模式，统计起来也更有价值。
数据增强
训练时我用的增强策略包括：随机水平翻转（注意车辆左右对称性），随机尺度抖动（0.5~1.5倍），随机亮度/对比度扰动。不做的是：随机裁剪——垃圾车目标有时很大，裁剪容易把关键部位切掉。旋转增强也慎用，垃圾车在真实场景中基本都是水平地面行驶，大幅旋转反而引入伪样本。
3.2 Grid R-CNN结构理解：网格定位分支到底在学什么
如果只把Grid R-CNN当作一个“加了东西的Faster R-CNN”来用，实际调参时会非常被动。理解网格定位分支的工作原理，对后续调优很关键。
在标准Faster R-CNN中，RoI特征经过一个回归头直接输出(dx, dy, dw, dh)，代表相对锚框的偏移量。这种回归是“全局性的”，即用一个特征向量去描述整个目标的位置。当目标边缘模糊或被遮挡时，这个特征向量所携带的空间信息不够精细，边界就容易跑偏。
Grid R-CNN的做法是：在RoI内部定义一个G x G的网格（论文里默认是3x3），然后预测每个网格点的位置偏移。以3x3为例，有9个网格点（包括中心点和八个方向上的点）。每个点的预测不仅包含它自身的位置，还通过一个Fusion Module将相邻点的位置信息融合进来，形成空间连续性约束。
这个设计在实际推理时的效果是：就算某一条边被遮挡了，只要其他网格点在逻辑上是连通的，模型就能通过相邻点把边界“猜”出来。这个特性对垃圾车被绿化带遮挡的场景非常友好。
用可解释的方式来说：普通回归是“我看了看目标整体，估一个框”，Grid R-CNN是“我先在目标内部找了九个参考点，根据每个点和边界的相对关系，拼出一个更准确的框”。后者天然对局部信息更敏感。
3.3 训练配置的核心参数选择
这部分的参数选择基于常见实践，我把自己调好后的一组配置列出来参考：
# 关键训练参数（基于mmdetection实现） # 单卡显存24G环境下可行 gpu_ids = [0] num_classes = 3 # 垃圾车类别数 work_dir = './work_dirs/grid_rcnn_r101_fpn_gn_2x_trash' # backbone backbone = dict( type='ResNet', depth=101, frozen_stages=1, # 冻结第一个stage，节省显存 norm_cfg=dict(type='GN', num_groups=32), norm_eval=False) # 训练配置 data = dict( samples_per_gpu=2, # 实测2是安全值，4会爆显存 workers_per_gpu=4) optimizer = dict( type='SGD', lr=0.0025, # 注意这里不是默认的0.02，迁移学习要用小学习率 momentum=0.9, weight_decay=0.0001) lr_config = dict( policy='step', warmup='linear', warmup_iters=500, warmup_ratio=0.001, step=[16, 22]) total_epochs = 24 # 2x策略几个容易踩坑的细节：
学习率的选取。如果是从COCO预训练权重上微调，初始学习率设在0.0025左右比较安全。有人图省事直接用0.02，结果第一轮loss就直接飞了（loss爆炸到十几），这是因为垃圾车数据集太小，大学习率让模型在预训练权重附近做大幅跳跃，直接破坏了那些原本学好的特征。0.0025是一个“既能让模型适应新数据，又不会遗忘预训练知识”的折中值。
冻结策略。我冻结了ResNet-101的第一个stage（frozen_stages=1），而不是很多人选择的冻结两个stage。垃圾车虽然在通用语义上简单，但在纹理和局部特征上和普通车辆差异很大，保留更多可训练层反而有助于迁移。如果显存不足，可以冻结到2，但对精度的损失大概在3~4个点，不太划算。
Warmup轮数。500 iter的warmup是我试过比较合适的值。如果训练数据不足1000张图片，可以增加到800~1000，避免初始几步学习率过大导致loss抖动。
4. 实操过程与核心环节实现
4.1 环境搭建
这套模型我是在mmdetection框架下实现的。为什么不直接去读论文复现代码？三个原因：
- Grid R-CNN官方代码是早期的，依赖版本较老，和现在的PyTorch环境兼容性差。
- mmdetection里已经实现了Grid R-CNN，可以直接调用配置。
- mmdetection的分布式训练、日志记录、可视化工具链成熟，做实验效率高很多。
我的环境版本如下（实测稳定的组合）：
# 实测可用的环境组合 Python 3.8 PyTorch 1.10.0 CUDA 11.3 mmcv-full == 1.5.0 mmdetection == 2.25.0如果用的是更新的PyTorch 2.x，建议直接上mmdetection 3.x，配置文件的写法会有些变化，但核心的模型结构不变。
安装过程就不展开了，但提醒两点：一是mmcv-full的安装一定要和CUDA版本对应，直接pip install mmcv-full大概率装错版本，编译时各种报错；二是装完以后先跑通一个最小的demo，确认环境没问题再开始训练，排查环境问题放在最后会很浪费时间。
4.2 配置文件编写与训练启动
基于mmdetection的配置格式，完整配置的关键部分如下：
# configs/grid_rcnn/grid_rcnn_r101_fpn_gn_head_2x_trash.py _base_ = [ '../_base_/datasets/coco_detection.py', '../_base_/schedules/schedule_2x.py', '../_base_/default_runtime.py' ] model = dict( type='GridRCNN', pretrained='torchvision://resnet101', backbone=dict( type='ResNet', depth=101, num_stages=4, out_indices=(0, 1, 2, 3), frozen_stages=1, norm_cfg=dict(type='GN', num_groups=32, requires_grad=True), norm_eval=False, style='pytorch'), neck=dict( type='FPN', in_channels=[256, 512, 1024, 2048], out_channels=256, num_outs=5), rpn_head=dict( type='RPNHead', in_channels=256, feat_channels=256, anchor_generator=dict( type='AnchorGenerator', scales=[8], ratios=[0.5, 1.0, 2.0], strides=[4, 8, 16, 32, 64])), roi_head=dict( type='GridRoIHead', bbox_roi_extractor=dict( type='SingleRoIExtractor', roi_layer=dict(type='RoIAlign', output_size=7, sampling_ratio=2), out_channels=256, featmap_strides=[4, 8, 16, 32]), bbox_head=dict( type='Shared2FCBBoxHead', in_channels=256, fc_out_channels=1024, roi_feat_size=7, num_classes=3, reg_class_agnostic=False), grid_roi_extractor=dict( type='SingleRoIExtractor', roi_layer=dict(type='RoIAlign', output_size=14, sampling_ratio=2), out_channels=256, featmap_strides=[4, 8, 16, 32]), grid_head=dict( type='GridHead', grid_points=9, num_convs=8, in_channels=256, grid_roi_extractor=dict( type='SingleRoIExtractor', roi_layer=dict(type='RoIAlign', output_size=14, sampling_ratio=2), out_channels=256, featmap_strides=[4, 8, 16, 32])))) # 修改数据集路径和类别 data = dict( train=dict( type='CocoDataset', ann_file='data/trash/annotations/train.json', img_prefix='data/trash/images/', classes=('garbage_truck', 'hook_truck', 'bucket_truck')), val=dict( type='CocoDataset', ann_file='data/trash/annotations/val.json', img_prefix='data/trash/images/', classes=('garbage_truck', 'hook_truck', 'bucket_truck')))一个容易被忽略的点：reg_class_agnostic。垃圾车三个类别虽然外观不同，但它们的边界形态（都是长方形车体）差异不大，理论上去掉类别特定的回归头可以降低过拟合风险。但我实测下来，保留reg_class_agnostic=False（即每个类别单独回归）反而更好，原因是勾臂式垃圾车和挂桶式垃圾车即便整体是长方形，但后部机构的凸出位置不同，这个细微差异被回归头捕捉到了。
启动训练的命令：
python tools/train.py configs/grid_rcnn/grid_rcnn_r101_fpn_gn_head_2x_trash.py \ --work-dir work_dirs/grid_rcnn_trash单卡RTX 3090训练约2000张图片、24 epochs，耗时大约14~16小时，速度可接受。如果你有4卡，可以把samples_per_gpu设为2，总Batch Size变成8，训练时间缩短到5小时以内。
4.3 训练过程中的关键观察指标
训练时不要只看loss，有几个指标能提前预警问题：
cls_loss（分类loss）如果从一开始就非常低（比如低于0.2），大概率是正负样本严重失衡——大部分RoI都是背景，模型很快就学会了“全预测为背景”。这时候需要检查anchor数量或调整RPN的nms阈值。bbox_loss（回归loss）如果收敛到0.02以下，说明回归任务太简单。对垃圾车这种外形规整的目标确实可能出现这种情况。但如果grid_loss（网格loss）也降得很快，反而要警惕——正常的网格定位应该在中期有一段“平台期”，那个阶段是模型在微调空间连续性的过程，如果跳过平台期直接收敛，可能意味着网格点之间的相关性没有被充分学习。验证集mAP每2个epoch跑一次验证集。重点关注
mAP@0.75（严格IoU指标），这个值对Grid R-CNN来说是核心指标——它比mAP@0.5更能反映定位精度，而Grid R-CNN的优势恰恰在高IoU下的表现。
我的一次实验记录显示：第16个epoch时，mAP@0.5已经到90.1，但mAP@0.75只有78.3，差距很大。经过第16和第22个epoch两次学习率衰减后，mAP@0.75涨到了84.6，而mAP@0.5只涨了不到1个点。这说明低学习率阶段对边界精修的帮助是全方位的，尤其是网格定位分支受益最大。
4.4 推理部署与输出优化
训练完的模型直接用来推理，效果一般，需要做一些输出层面的优化。
# 推理代码示例 from mmdet.apis import init_detector, inference_detector model = init_detector('configs/grid_rcnn/grid_rcnn_r101_fpn_gn_head_2x_trash.py', 'work_dirs/grid_rcnn_trash/epoch_24.pth', device='cuda:0') result = inference_detector(model, 'test_images/street_camera_003.jpg') # 过滤置信度低于0.5的检测结果 class_ids = [i for i, pred_class in enumerate(result) if len(pred_class) > 0] filtered_boxes = [] for i in class_ids: boxes = result[i] for box in boxes: if box[4] >= 0.5: filtered_boxes.append((i, box))部署时如果你要输出检测到垃圾车的截图或视频片段，建议把关键帧存成JPEG而不是视频流中间截取，这样能够减小IO开销。另外注意置信度阈值的选取不是越高越好：监控场景中漏检的代价往往比误检高，我一般建议阈值设在0.4~0.5之间。如果业务侧对误报容忍度低，再上调到0.6。
4.5 模型压缩与速度优化
推理速度方面，R101+FPN还是有一定开销的，单张1080P图片在RTX 3090上大约需要90ms，换成CPU要1秒以上。如果是实时监控场景，有两个常用的优化手段：
TensorRT加速：mmdetection的模型可以导出ONNX再转TensorRT。Grid R-CNN的网格分支在导出时会有一些自定义操作，需要手工补一些层。实测TensorRT FP16推理下，单张图片耗时能压到35ms左右，精度损失不到0.5个点。
简化后处理：检测框的NMS处理在CPU上做即可，不需要GPU，这样可以释放GPU算力。我在嵌入式设备上部署时，把后处理迁移到ARM端的SSE指令集优化版本，整体帧率提高了15%以上。
5. 常见问题与排查技巧实录
5.1 训练loss不收敛
这是Grid R-CNN训练中最常见的问题。表现为：训练到第5个epoch，总loss还在3.0以上徘徊，甚至出现loss震荡上升。
排查顺序：
先看
cls_loss。如果分类loss不降，大概率是数据问题——标注框有没有大面积出错？类别定义是否清晰？勾臂式垃圾车和挂桶式垃圾车经常被标混，模型学不到区分的依据。再看学习率。我见过有人把初始学习率设成0.02来“加快收敛”，结果就是loss直接上10。Grid R-CNN在迁移学习时，R101的骨干网络已经学得很好了，主要调整的是后面的检测头，所以学习率一定要小。
最后看GN的
num_groups参数。默认32组，如果你的输入分辨率特别大（比如1920x1080），特征图的通道数变化后，分组数可能需要调整。一个经验法则是：当特征图分辨率超过原始设计时，适当增加num_groups到64，可以提升数值稳定性。
5.2 小目标垃圾车检测效果差
监控画面中远景的垃圾车可能只有30x40像素，此时检测器表现往往会打折扣。排查思路：
确认是不是FPN的高层特征没有被充分利用。Grid R-CNN的RoI提取器默认从FPN的P2~P5层提取特征，小目标主要依赖P2和P3。如果数据集中小目标占比太少，这两层的特征就学不好。丢几个大目标到P2层做中等分辨率特征增强，可以帮助模型更好地利用低层特征。
试试在训练集上把小目标复制粘贴到多个位置（Copy-Paste增强）。这个方法在小目标数量不足时很管用，我不会把背景也一起粘贴，而是保留原始场景，只在空白区域加入垃圾车样本。
如果实在不行，可以考虑subclass策略：把小目标单独作为一个类别来处理，比如在原有类别基础上加一个“远距离垃圾车”类别，这个类别的分类阈值和回归参数可以单独调整，而不是让所有尺度的目标共享一套参数。
5.3 网格定位分支在复杂背景下误框
有时候模型会把绿化带、围墙当作垃圾车的边缘轮廓，导致预测框边界外扩，看起来像是“框多了一圈草地”。
这个问题的本质是RoI内部网格点的空间约束不足。解决方向是调整网格头的训练权重：
loss = dict( type='CrossEntropyLoss', use_sigmoid=True, loss_weight=1.0)把loss_weight从1.0提到1.5或2.0，增强网格定位分支在总loss中的占比，让模型更重视网格点的精确位置。这也是Grid R-CNN设计者们建议的处理手段，在COCO上提升有限，但在背景比较杂乱的数据集上效果明显。
另外，试试增加grid_points从9（3x3）到16（4x4）个。网格点越多，空间约束越强，但训练时间和显存开销线性增加。我之前在目标边缘比较复杂的数据集（垃圾车后部有各种液压杆、挂钩）上试过4x4，mAP@0.75提升了1.7个点，代价是训练时间增加约40%。
5.4 显存不足与Batch Size限制
24G显存跑R101+FPN+GN的Grid R-CNN是最低配置。如果你只有12G或16G显存，有几个降级方案：
| 方案 | 操作 | 精度损失 | 速度变化 |
|---|---|---|---|
| A | 训练分辨率降低到800x600 | 约2~3个点 | 训练快约20% |
| B | 改用R50做backbone | 约3~5个点 | 训练快约40% |
| C | 冻结backbone前两个stage | 约2~4个点 | 训练快约15% |
| D | samples_per_gpu=1+ 梯度累积 | 约0.5个点 | 时间增加约30% |
方案D是最保精度的做法。你需要设置optimizer_config=dict(grad_clip=None, type='GradientCumulativeOptimizerHook', cumulative_iters=2)，相当于用两次前向/反向合成的梯度来近似一次大Batch的更新。用GN的原因也在这里——GN对Batch Size变化的适应性比BN更好，所以方案D在Grid R-CNN上是可行的。
5.5 多卡训练时验证集指标不一致
如果你有多张卡，用dist_train.sh跑分布式训练时，偶尔会遇到train和val的指标在每张卡上查看时不一样。这通常不是模型问题，而是同步BN统计量的问题——虽然GN不需要同步BN，但mmdetection的分布式模式下，数据采样顺序不同会导致每个GPU的warmup和BN统计存在微小差异，最终val指标会有一丁点浮动。
解决方法是训练完成后单卡加载最优权重重新验证：
python tools/test.py configs/grid_rcnn/grid_rcnn_r101_fpn_gn_head_2x_trash.py \ work_dirs/grid_rcnn_trash/best_mAP_epoch_22.pth \ --eval bbox这样得到的指标才是可信的最终值。
6. 最终结果与实测效果
这套配置在我的垃圾车数据集上，最终指标如下（测试集约800张图片，包含不同天气、光线、角度）：
| 指标 | 数值 |
|---|---|
| mAP@0.5 | 92.7% |
| mAP@0.75 | 85.9% |
| garbage_truck AP | 94.1% |
| hook_truck AP | 90.3% |
| bucket_truck AP | 88.6% |
| 小目标（<32x32）AP | 79.4% |
| 中等目标（32x32~96x96）AP | 92.8% |
| 大目标（>96x96）AP | 95.2% |
对比用Faster R-CNN R101-FPN做同样任务，mAP@0.75提升了约4.8个点，小目标AP提升了约6.2个点。Grid R-CNN的高IoU定位优势在这个业务场景下被完整发挥出来了。
这个提升对于业务侧意味着什么？在智能环卫管理系统中，如果你需要精确统计某个路段垃圾车的清运次数，框的精度直接决定了计数系统的准确率。IoU从0.7提到0.8，看起来只涨了10%，但实际误报率能降低一半以上。
在后续迭代中，我还尝试过把Grid Head的网格点增加到16个，效果又涨了0.9个点的mAP@0.75。如果你算力够，值得一试。
最后分享一个实操心得：做这类垂直场景的目标检测，别急着换更花哨的新模型，先把经典模型在业务数据上的细节调到位。Grid R-CNN不是最出名的检测器，但它把“定位精度”这件事做到了当时的前列。在垃圾车这种外形相对规整、背景相对固定的场景下，它比很多更新的模型都更合适。关键是理解每个组件为什么选它，而不是当一个黑盒来用。
