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。

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。