我应该对训练集中存在的所有对象进行标记和训练吗（yolo 暗网）答案

【问题标题】：should I label and train on all objects that exist in the training set (yolo darknet)我应该对训练集中存在的所有对象进行标记和训练吗（yolo 暗网）
【发布时间】：2017-01-08 01:21:04
【问题描述】：

（yolo - 物体检测）

如果图像中有两只狗，而我在训练集中存在的所有图像中只训练了其中一只狗，我没有标记和训练的训练集中的其他狗是否会影响过程并导致将它们视为背景的一部分？ 我特别问的是 yolo 暗网对象检测。

看起来是这样，因为在 3000 批之后它没有检测到任何东西。那么问题来了，我应该对所有对象进行训练（就像所有训练集中的所有狗一样）还是无关紧要，因为 yolo 只会从标记的对象中获取特征而忽略背景？

【问题讨论】：

它随机裁剪背景区域作为训练的负集。所以坦率地说，这对培训很重要。然而，由于比例问题（阳性数与假阴性数），这应该不是什么大问题。因此，让我们拭目以待大约 30,000 次迭代后的性能。

标签： conv-neural-network object-detection

【解决方案1】：

是的，您要查找的所有对象都标记在训练数据集的图像上，这一点很重要。你教导在它们所在的地方寻找对象，而不是在不存在的地方寻找对象。

CNN Yolo 尝试解决 3 个问题：

用矩形标记 Yolo 训练的对象 - 最后一层出现正错误
不要将一个对象标记为另一个对象 - 最后一层出现负错误
不要在背景中标记任何对象 - 最后一层出现负错误

即Yolo 寻找差异，为什么第一条狗被认为是一个物体，第二条被认为是背景。如果您想找到任何狗，但您只标记了其中一些狗，并且标记的狗与未标记的狗在统计上没有差异，那么检测的准确性将极低。因为abs(positive_error) ~= abs(negative_error) 和训练结果sum(positive_errors) + sum(negative_errors) ~= 0。这是一个自相矛盾的任务——你同时想要：找到一条狗，又不找到那条狗。

但如果标记的狗与未标记的狗在统计上存在差异，例如标记的斗牛犬和未标记的拉布拉多犬，那么 Yolo 网络将被训练以区分它们。

看起来是这样，因为在 3000 批之后它没有检测到任何东西。

这还不够，Yolo 需要 10000 - 40000 次迭代。

【讨论】：