仅在 1 类 上使用 tensorflow 对象检测
Using tensorflow Object-detection on only 1 classes
我在自己的数据集（无人机识别）上使用 tensorflow（对象检测），也只有 1 个 class 命名为 'drone'，经过大约 30000 步训练后，我的结果模型可以检测到无人机具有非常高的准确性，但我遇到了一个问题，我在模型动物园上使用了 ssd_inception_v2_coco 模型及其 fine_tune_checkpoint，现在有时在我的实时检测中，它检测到人脸是无人机（两者之间有很大的不同2 个这样的对象），我想是因为旧的检查站。
我怎样才能防止检测到一些与我的无人机对象有很大不同的对象，比如人、狗、猫......或者有人可以为我描述这里的问题吗？
抱歉我的英语不好
即使您为一个 class 训练 SSD，它也会自动创建另一个 class 称为背景。使用未标记为所需 classes（在您的情况下为无人机）的训练图像区域训练背景。
一个简单的解决方法是添加训练样本，其中包含在同一场景中同时具有无人机和您不想识别为无人机的事物的图像。这样做然后增加纪元的数量应该会提高精度。
如果你正在做一个应用程序，其中经常出现一些带有无人机的物体，另一种可能性是也为这些物体训练网络。这会增加你的训练工作量，但会提高准确性。
SSD 的一些实现有一个选项用于数据的硬否定挖掘，因此在验证过程中出现的错误专门用于训练。如果您熟悉代码，您可能想检查一下它是否可用。
我在自己的数据集（无人机识别）上使用 tensorflow（对象检测），也只有 1 个 class 命名为 'drone'，经过大约 30000 步训练后，我的结果模型可以检测到无人机具有非常高的准确性，但我遇到了一个问题，我在模型动物园上使用了 ssd_inception_v2_coco 模型及其 fine_tune_checkpoint，现在有时在我的实时检测中，它检测到人脸是无人机（两者之间有很大的不同2 个这样的对象），我想是因为旧的检查站。 我怎样才能防止检测到一些与我的无人机对象有很大不同的对象，比如人、狗、猫......或者有人可以为我描述这里的问题吗？ 抱歉我的英语不好
即使您为一个 class 训练 SSD，它也会自动创建另一个 class 称为背景。使用未标记为所需 classes（在您的情况下为无人机）的训练图像区域训练背景。
一个简单的解决方法是添加训练样本，其中包含在同一场景中同时具有无人机和您不想识别为无人机的事物的图像。这样做然后增加纪元的数量应该会提高精度。
如果你正在做一个应用程序，其中经常出现一些带有无人机的物体，另一种可能性是也为这些物体训练网络。这会增加你的训练工作量，但会提高准确性。
SSD 的一些实现有一个选项用于数据的硬否定挖掘，因此在验证过程中出现的错误专门用于训练。如果您熟悉代码，您可能想检查一下它是否可用。