aistudio 常规赛：钢铁缺陷检测挑战赛 经验总结，轻松复现map 46的结果
缺陷检测技术广泛应用于工业场景，比如汽车制造中的车身表面缺陷检测，零件外观缺陷检测，工件裂纹检测等。其中，金属表面缺陷识别技术的应用可以在生产及制造阶段的质量控制方面发挥重要作用。
在aistudio平台上的比赛地址为：https://aistudio.baidu.com/aistudio/competition/detail/114/0/introduction
博主通过一些列无脑探索，终于将map得分从3刷新到46，实现排名第8，具体细节可以查看https://hpg123.blog.csdn.net/article/details/126316925，博主的实际尝试路径比以上更多，只是有些尝试没有涨点，且离写博客的日子有些远，加上上班时间零碎，所以没有能把每一次尝试都写在里面。在这里刻意对比赛经验进行总结，基于单模型轻松实现map 46，一步实现排名第8。
1、学习率设置
博主一开始只使用默认的学习率，只有faster-rcnn系列模型精度是正常的水平，所以在用到ppyoloe，yolox模型时精度极差。完全忽略了，这些配置只是paddledetection官方在复现模型时，在特定的gpu环境下（有可能是8卡、4卡），针对指定的batchsize，在coco数据集上的默认设置。
1.1 学习率的换算关系
PP-YOLOE模型