对于长条目标长宽比比较大的目标，如长1000pix,宽度10pix等在训练时masic数据增强图片中会出现有的图片中标签遗失问题，将原来标注好的目标，但是在增强图片中没有标签，就会导致召回率低的问题。

在训练代码中augmentations.py文件中box_candidates函数用在random_perspective中，是对透视变换后的图片label进行筛选，去除被裁剪过小的框(面积小于裁剪前的area_thr) 并且保留下来的框的长宽必须大于wh_thr个像素，且长宽比范围在(1/ar_thr, ar_thr)之间，函数默认参数为

def box_candidates(box1, box2, wh_thr=2, ar_thr=20, area_thr=0.1, eps=1e-16):"""box_candidates() is used to filter the labels and reject poor label candidates:用在random_perspective中 对透视变换后的图片label进行筛选去除被裁剪过小的框(面积小于裁剪前的area_thr) 还有长和宽必须大于wh_thr个像素，且长宽比范围在(1/ar_thr, ar_thr)之间的限制Compute candidate boxes: box1 before augment, box2 after augment, wh_thr (pixels), aspect_ratio_thr, area_ratio:params box1: [4, n]:params box2: [4, n]:params wh_thr: 筛选条件 宽高阈值:params ar_thr: 筛选条件 宽高比、高宽比最大值阈值:params area_thr: 筛选条件 面积阈值:params eps: 1e-16 接近0的数 防止分母为0:return i: 筛选结果 [n] 全是True或False   使用比如: box1[i]即可得到i中所有等于True的矩形框 False的矩形框全部删除"""w1, h1 = box1[2] - box1[0], box1[3] - box1[1]  # 求出所有box1矩形框的宽和高  [n] [n]w2, h2 = box2[2] - box2[0], box2[3] - box2[1]  # 求出所有box2矩形框的宽和高  [n] [n]ar = np.maximum(w2 / (h2 + eps), h2 / (w2 + eps))  # 求出所有box2矩形框的宽高比和高宽比的较大者  [n, 1]# 筛选条件: 增强后w、h要大于2   增强后图像与增强前图像面积比值大于area_thr   宽高比大于ar_thrreturn ((w2 > wh_thr)& (h2 > wh_thr)& (w2 * h2 / (w1 * h1 + eps) > area_thr)& (ar < ar_thr))  # candidates

 尝试修改参数wh_thr=1,ar_thr=50增大长宽比范围

参考 https://zhuanlan.zhihu.com/p/669418392