每个 类 应该有多少张图像（最少）来训练 YOLO？
How many images(minimum) should be there in each classes for training YOLO?
我正在尝试在我的自定义数据集上实施 YOLOv2。每个 class 是否有最低图片数量要求？
视情况而定。
每个 class 至少有一张图像 objective。原则上，如果使用数据增强策略并微调预训练的 YOLO 网络，这可能会有些准确性。
然而，objective 实际情况是，根据您的问题，每个 class 可能需要多达 1000 张图像。
每个 class 的训练没有最小图像数。当然你的数字越小，模型会收敛的越慢，准确率就越低。
重要的是，根据 Alexey（流行的分叉暗网和 YOLO v4 的创建者）如何改进对象检测是：
For each object which you want to detect - there must be at least 1
similar object in the Training dataset with about the same: shape,
side of object, relative size, angle of rotation, tilt, illumination.
So desirable that your training dataset include images with objects at
diffrent: scales, rotations, lightings, from different sides, on
different backgrounds - you should preferably have 2000 different
images for each class or more, and you should train 2000*classes
iterations or more
https://github.com/AlexeyAB/darknet
所以我认为如果您想获得最佳精度，每个 class 至少应该有 2000 张图像。但是每 class 1000 也不错。即使每个 class 有数百张图像，您仍然可以获得不错的（不是最佳的）结果。尽可能多地收集图像。
我正在尝试在我的自定义数据集上实施 YOLOv2。每个 class 是否有最低图片数量要求？
视情况而定。
每个 class 至少有一张图像 objective。原则上，如果使用数据增强策略并微调预训练的 YOLO 网络，这可能会有些准确性。
然而，objective 实际情况是，根据您的问题，每个 class 可能需要多达 1000 张图像。
每个 class 的训练没有最小图像数。当然你的数字越小，模型会收敛的越慢，准确率就越低。
重要的是，根据 Alexey（流行的分叉暗网和 YOLO v4 的创建者）如何改进对象检测是：
For each object which you want to detect - there must be at least 1 similar object in the Training dataset with about the same: shape, side of object, relative size, angle of rotation, tilt, illumination. So desirable that your training dataset include images with objects at diffrent: scales, rotations, lightings, from different sides, on different backgrounds - you should preferably have 2000 different images for each class or more, and you should train 2000*classes iterations or more
https://github.com/AlexeyAB/darknet
所以我认为如果您想获得最佳精度，每个 class 至少应该有 2000 张图像。但是每 class 1000 也不错。即使每个 class 有数百张图像，您仍然可以获得不错的（不是最佳的）结果。尽可能多地收集图像。