IOAI 2025 Chicken Counting

• 来源：noai-mis/IOAI/IOAI-2025/Individual-Contest/Chicken_Counting
• 类型：CV / counting
• 原始资料：Chicken_Counting.ipynb、Chicken_Counting_Solution.ipynb、metrics.py
• 题面完整性：notebook 内完整
• 解法资料完整性：有 solution notebook

题面大意

为散养乌鸡养殖场开发自动计数系统，从图像中估计鸡的数量，以支持保险理赔和养殖管理。题面提供训练数据、预训练的 FeatureExtraction 模型权重和 ChickenCounting 模型结构示例，提交验证/测试预测文件。

数据特点

鸡在图像中可能密集、遮挡、尺度变化大，背景复杂。目标是计数而不一定要求定位每只鸡。训练数据可能有限，但提供特征提取模型帮助建模。计数误差通常比分类更连续，离群图像会显著影响平均误差。

考点

核心考点是视觉计数。可以走直接回归数量，也可以预测密度图再积分。由于题面提供 feature extractor，参考方向是用 CNN 特征加回归头完成计数。

涉及知识点

• CNN feature extraction。
• Count regression。
• Density map counting。
• MAE/MSE 评估。
• 数据增强和尺度鲁棒。

解法思路

基础方案是加载提供的 FeatureExtraction 权重，接一个计数回归头，输入图像输出标量数量。训练 loss 可用 MSE/MAE/Huber。为了避免负数，输出可用 ReLU/softplus 或推理后 clip。若数据有点标注或密度标签，可训练密度图；若没有，只能图像级回归。

可选/多种解法

全图回归：实现简单，适合图像级 count 标签。

密度图回归：若能构造点标注/伪密度，上限更高。

检测后计数：训练检测器定位鸡，再统计框数，但标注需求更高。

特殊技巧

对计数任务，随机裁剪会改变标签，必须同步调整数量或避免使用破坏标签的增强。水平翻转、颜色扰动通常安全。若图像中鸡密度不均，分块预测再求和可改善大图泛化。

调参优化

计数题应把验证 MAE 作为主调参指标。若走直接回归路线，重点调输入尺寸、分块大小、backbone 容量、loss 类型（MSE/MAE/Huber）、学习率和标签变换（如对数量取 log 后回归）。若走密度图或检测路线，重点调密度核大小、检测阈值、NMS 半径和分块重叠比例。数据增强需要和标签同步，随机裁剪的裁剪比例、缩放范围和颜色扰动都要通过验证 MAE 检查，不能只看训练 loss。

注意事项

提交文件命名和测试集 A/B 约定要跟 notebook 保持一致。训练集上的分数容易乐观，计数模型需检查不同密度区间的误差。

推广意义

这题是农业视觉计数的代表，可迁移到人群计数、作物果实计数、细胞计数和野生动物监测。