Python 图像分类:训练模型的最佳方法
给定一个模型,该模型必须对10个桌布项目(勺子、叉子、杯子、盘子等)进行分类,并且必须在包含所有桌布项目的桌子图像上进行测试(测试模型精度),这是最佳的培训方法:Python 图像分类:训练模型的最佳方法,python,machine-learning,classification,conv-neural-network,Python,Machine Learning,Classification,Conv Neural Network,给定一个模型,该模型必须对10个桌布项目(勺子、叉子、杯子、盘子等)进行分类,并且必须在包含所有桌布项目的桌子图像上进行测试(测试模型精度),这是最佳的培训方法: 答:对模型进行单项训练,然后测试模型的准确性 B:在带边框的整个桌子上训练模型,然后测试模型的精度 C:先从A开始,然后从B开始,反之亦然,然后测试模型精度 您将选择的策略主要取决于您将要创建的CNN的结构。 如果您训练的模型能够识别图像中是否包含勺子或叉子,则您将无法在带有多个桌布项目(例如,叉子和勺子)的桌子上进行测试,因为网络
- 答:对模型进行单项训练,然后测试模型的准确性
- B:在带边框的整个桌子上训练模型,然后测试模型的精度
- C:先从A开始,然后从B开始,反之亦然,然后测试模型精度
- 您将选择的策略主要取决于您将要创建的CNN的结构。
如果您训练的模型能够识别图像中是否包含勺子或叉子,则您将无法在带有多个桌布项目(例如,叉子和勺子)的桌子上进行测试,因为网络将尝试回答图像中是否确实存在勺子或叉子。
无论如何,仍然可以训练网络对几个特征进行分类(strategy“A”),但在这种情况下,您需要一个能够进行多标签分类的模型 最后,我建议采用“B”策略,因为依我拙见,它非常适合应用领域 希望这个答案是明确和有益的 干杯。如果您在“B”上进行训练,那么使用网络在“A”上进行训练会影响性能吗?如果您认为“B”是一种更通用的方法,那么您可以使用经过训练的网络在单个桌布项目和/或具有多个桌布项目的桌子上进行测试。我认为绩效主要取决于你如何培训w.r.t.型战略。