分辨率

Resolution

图像分辨率。此处使用面积值作为统计值。

通过指标分析结果查看是否有偏移点。如果存在偏移点，可以对偏移点做resize操作或直接删除。

图片高宽比

Aspect Ratio

图像高宽比，即图片的高度/图片的宽度。

一般呈正态分布，一般用于比较训练集和真实场景数据集的差异。

图片亮度

Brightness

图片亮度，值越大代表观感上亮度越高。

一般呈正态分布，可根据分布中心判断数据集整体偏亮还是偏暗。可根据使用场景调整，比如使用场景是夜晚，图片整体应该偏暗。

图片饱和度

Saturation

图片的色彩饱和度，值越大表示图片整体色彩越容易分辨。

一般呈正态分布，一般用于比较训练集和真实场景数据集的差异。

清晰度

Clarity

图片清晰程度，使用拉普拉斯算子计算所得，值越大代表边缘越清晰，图片整体越清晰。

可根据使用场景判断清晰度是否满足需要。比如使用场景的数据采集来自高清摄像头，那么清晰度对应的需要高一些。可通过对数据集做锐化或模糊操作，添加噪声对清晰度做调整。

图像色彩的丰富程度

Colorfulness

横坐标：图像的色彩丰富程度，值越大代表色彩越丰富。

纵坐标：图片数量。

是观感上的色彩丰富程度，一般用于比较训练集和真实场景数据集的差异。

按单张图片中框的个数统计图片分布

Bounding Box Quantity

横坐标：单张图片中框的个数。

纵坐标：图片数量。

对模型而言一张图片的框个数越多越难检测，需要越多的这种数据用作训练。

按单张图片中框的面积标准差统计图片分布

Standard Deviation of Bounding Boxes Per Image

横坐标：单张图片中框的标准差。单张图片只有一个框时，标准差为0。标准差的值越大，表示图片中框大小不一程度越高。

纵坐标：图片数量。

对模型而言一张图中框如果比较多且大小不一，是比较难检测的，可以根据场景添加数据用作训练，或者实际使用没有这种场景可直接删除。

按高宽比统计框数量的分布

Aspect Ratio of Bounding Boxes

横坐标：目标框的高宽比。

纵坐标：框数量（统计所有图片中的框）。

一般呈泊松分布，但与使用场景强相关。多用于比较训练集和验证集的差异，如训练集都是长方形框的情况下，验证集如果是接近正方形的框会有比较大影响。

按面积占比统计框数量的分布

Area Ratio of Bounding Boxes

横坐标：目标框的面积占比，即目标框的面积占整个图片面积的比例，越大表示物体在图片中的占比越大。

纵坐标：框数量（统计所有图片中的框）。

主要判断模型中使用的anchor的分布，如果目标框普遍较大，anchor就可以选择较大。

按边缘化程度统计框数量的分布

Marginalization Value of Bounding Boxes

横坐标：边缘化程度，即目标框中心点距离图片中心点的距离占图片总距离的比值，值越大表示物体越靠近边缘。（图片总距离表示以图片中心点为起点画一条经过标注框中心点的射线，该射线与图片边界交点到图片中心点的距离）。

纵坐标：框数量（统计所有图片中的框）。

一般呈正态分布。用于判断物体是否处于图片边缘，有一些只露出一部分的边缘物体，可根据需要添加数据集或不标注。

按堆叠度统计框数量的分布

Overlap Score of Bounding Boxes

横坐标：堆叠度，单个框被其他的框重叠的部分，取值范围为0～1，值越大表示被其他框覆盖的越多。

纵坐标：框数量（统计所有图片中的框）。

主要用于判断待检测物体的堆叠程度，堆叠物体一般对于检测难度较高，可根据实际使用需要添加数据集或不标注部分物体。

按亮度统计框数量的分布

Brightness of Bounding Boxes

横坐标：目标框的图片亮度，值越大表示越亮。

纵坐标：框数量（统计所有图片中的框）。

一般呈正态分布。主要用于判断待检测物体的亮度。在一些特殊场景中只有物体的部分亮度较暗，可以看是否满足要求。

按清晰度统计框数量的分布

Clarity of Bounding Boxes

横坐标：目标框的清晰度，值越大表示越清晰。

纵坐标：框数量（统计所有图片中的框）。

主要用于判断待检测物体是否存在模糊的情况。比如运动中的物体在采集中可能变得模糊，需要重新采集。