deep-learning - 图片中Object的Instances数量是否影响深度学习目标检测器的训练

Question

我想重新训练物体检测器 Yolov4 以识别棋盘游戏 Ticket to Ride 的人物。在收集图片时，我正在寻找减少所需图片数量的想法。

我想知道图片中对象/类的更多实例是否意味着更多的“每张图片的训练”导致“我需要更少的图片”

这个对吗？如果不是，你能试着用简单的术语来解释吗？

Answer 1

在roboflow页面上，他们说 YOLOv4 将检测对象分为两部分：

1. 回归以通过边界框识别对象定位；
2. 分类将对象分类。

简而言之，回归（分析）是一种分析方法，它试图找到相关的数据（您的案例中的图像）。另一方面，分类将上一步中的“有趣”图像转换为一个类别（即“火车”、“轨道”、“车站”或其他值得与其他部分分开的东西）。

现在，回答您的问题：“不，您需要更多图片。” 在拍摄更多照片时，YOLOv4 使用更多样本使/测试更准确的分类。但是，您必须小心要分类的内容。您确实希望算法从图像中提取“火车”类，而不是例如“海洋”类。为防止这种情况，请为您想要的课程制作更多（不同）图片！