如何训练模型，其中类数等于用于预测的特定图像中的实例数答案

【问题标题】：How to Train model in which number of classes is equal to number of instances in particular image used for prediction如何训练模型，其中类数等于用于预测的特定图像中的实例数
【发布时间】：2020-08-26 19:57:38
【问题描述】：

假设一间教室有 40 名学生。

然后我为 40 个学生的所有图像训练模型，然后尝试在一张图片中检测所有 40 个学生。

但没有得到很好的准确性。

为什么会这样？除了衡量模型的准确性之外，还有其他衡量标准吗？

【问题讨论】：

您的数据量是多少？另外，您使用的是什么架构？
这将是一个多标签问题而不是多类问题。因此，如果您没有正确标记图像，则可能您的整个准确度指标都是错误的。如果您有能够识别测试图像中的“面孔”的预处理，那么您可以对每个“面孔”执行多类识别。
如果你已经在一张人脸的图片上训练了你的模型，你不应该期望它可以在不同种类的图片上工作。您的模型只能在与您使用的训练数据类似的数据上运行良好（前提是它首先在那里运行良好）。神经网络不像人那样“识别面孔”，它识别特定数据示例中的模式，不同的数据需要不同的模式来学习。

标签： python tensorflow image-processing keras deep-learning

【解决方案1】：

我认为它的方法是，您使用哪种模型来完成这项任务？我不确定CNN是这里最好的方法。试试这个方法—— - 你拍摄每张照片并对他的脸进行编码，你可以使用级联过滤器识别人脸，然后在这个矩形上应用编码。 - 您保存的每个编码。 - 在给定的人脸识别矩形中，您对其进行编码并检查您在存储中的距离

试试这个方法，我想你可以得到不错的结果。你可以使用人脸识别和opencv

我做过类似的事情，你可以看看。 link

【讨论】：

但是你认为 Cascade 会比 CNN 更好吗？因为我必须检测多张面孔。
一般不会，但是在你的作业中你只有很少的图像，你必须从一张图片中检测出特定的面孔，所以我想说在这种情况下 Cascade 可以很好地做到这一点。

【解决方案2】：

通过数据增强可以实现一点改进。对于每个图像（在您的情况下，每个学生），您可以说旋转 10% 的对象对于观察者来说仍然是同一个对象。镜像镜像也是如此。通过这种方式添加几个新数据点，您可能会得到更好的结果。

【讨论】：

我会试试这个。我认为这会提高我的准确性。