我有在我的工作场所使用的独特产品的图像。我无法想象初始数据库已经有类似的项目，它已经被训练过。
我尝试使用 YOLO 训练模型。这花了很长时间。时期之间可能有 7 分钟；由于数据量小，我想做 1000 个 epoch。
我在 1.0 GPU 上使用了 tiny-yolov2-voc cfg/weight。我有一个项目的视频，但我把它分成框架，这样我就可以注释了。然后我尝试在图像（不是视频）上进行训练。产品与医疗保健相关。基本上医院会使用的任何东西。
我还对从 Google 获得的图像使用了 inception 方法。我注意到 inception 方法非常快并且可以产生准确的预测。但是，我担心我的图像太独特而无法正常工作。
哪种方法最好使用？
如果你推荐 YOLO，你能提供一些关于如何加快训练阶段的建议吗？
如果您推荐 inception，您能否解释一下为什么它可以处理独特的图像？我想我很难理解 inception 如何知道我正在尝试训练哪个项目，而无需我提供注释。
提前致谢
只是我的印象（没有推荐甚至相关经验）
查看与假设相关的硬件建议darknet是，您可能会储备自己的硬件以获得更快的结果。
我阅读了当前三个不同版本的YOLOGFLOPS 培训，如果您下载推荐的文件，我预计其中包含大量的 GFLOPS 培训，但如果这些模型不适合您的产品，那么对您来说，它们可能永远不会很有帮助。
我必须承认我既不积极参与YOLO也不积极参与Tensorflow，所以我的印象可能根本没有帮助。
如果你看到一些视频YOLO您可以注意到，有时骆驼被贴上了马的标签，准确度似乎很差，但这取决于应用于图像的阈值，所以视频看起来很棒，因为它似乎识别完成得如此之快，但过程的准确度更高会放慢速度 - 也取决于训练有素的动机。
不过他们从不隐藏它，他们在一张图片上解释说，狗被标记为牛，马被标记为羊（第 2 版），结合暗网，它变得更快但也不那么准确，因此暗网的使用也是一个重要方面.
的网站上有关细节的信息似乎很糟糕，YOLO与Tensorflow看起来更具学术性，并且正在告知框架背后的数学。
关于Tensorflow我不知道硬件建议，但是当你写你的结果很有用时，它们可能有点甚至更少。
我的印象是，YOLO它主要用于（实时）视频中的实时检测，需要大量培训才能获得高精度。因此，根据您的用例，它可能是正确的，但您可能会为专业用途投资硬件。
这不是反对意见，Tensorflow但我必须进行更多验证，而且似乎需要更多时间才能获得印象。目前我什Tensorflow至不能说它是否可以用于实时检测，它的准确度如何，结果是否仍然优于那些YOLO.
我的假设是，关于这两种解决方案，这是一个涉及元素的问题（比如决定是否包括暗网以提高速度）、配置、培训和调整。可能总有一些东西可以提高速度和准确性，因此投资识别系统不会是时间线固定的静态过程，而是一个稳定的过程。
这只是我印象的简短概述，我从来没有任何识别软件的经验，并且几乎不建议您根据我的话做出任何决定。
如果您想使用任何专业的识别软件，尤其是实时识别，那么您可能必须投资硬件。
根据我对您的问题的理解，您需要具有识别独特图像的能力。在这种情况下，您可以在初始模型上使用迁移学习。通过迁移学习，您仍然可以在保留之前的 inception 知识的同时训练自己的图片。
更多关于迁移学习