machine-learning - Yolo 物体检测 : include images that do not contain classes to be predicted?

Question

关闭。这个问题是opinion-based .它目前不接受答案。












想改善这个问题吗？更新问题，以便可以通过 editing this post 用事实和引文回答问题.

8 个月前关闭。




Improve this question




我想在我自己的数据集上训练小 yolo。我想预测 3 个类别:汽车、行人和骑自行车的人；所有这些都已被注释。

我的数据集还包括不包含这些类的图像(因此没有注释)。我应该在培训中包含这些图像吗？为什么或者为什么不？

谢谢!

Answer 1

TLDR；您不需要为 YOLO 提供没有类的图像。
YOLO 将输出层划分为单独的网格单元，每个网格单元都有一个或多个 anchor 框先验，每个单元都预测对象类标签与“非对象性”的输出值。
由于大多数图像不会在每个网格单元中都包含对象，因此它自然会学习如何识别“无对象”。
事实上，通常会有太多没有对象的 anchor 和有实际对象的 anchor 太少的不平衡。这就是为什么 YOLO 使用联合损失函数来降低负样本的权重 λ_noobj = .5
其他方法，例如 SSD，使用“硬负挖掘”来减少负样本的数量并解决不平衡问题。
因此，您通常不需要包含纯负训练示例，因为在正示例数据集中过多的负网格框已经不平衡。
我能想到的一个异常(exception)是:如果您的所有训练示例都包含整个视野中的许多对象(即人群、交通拥堵等)，那么您可能需要包含一些没有对象的训练示例。
另一个异常(exception)是，如果您的对象总是出现在同一个网格单元(例如中心)中，那么您可能需要一些纯反例，或者使用数据增强来生成对象出现在不同位置的示例。