Python 尺寸是否为'；边界框'；使用Tensorflow目标检测库转移学习SSD模型时的训练数据问题？

我试图在公开的GTSRB（德国交通标志）数据集上学习mobilenet_v2_coco模型。 我选择了3个班来加快训练时间，我已经训练了大约10000个时代。通常我在这个时候已经取得了不错的成绩。但我的SSD在我用网络摄像头通过一个小python程序访问的livestream视频中找不到任何东西。它甚至将几乎整个屏幕分类为所提供的类之一（具有更多训练数据的类），置信度>90%

我的猜测是，要么是因为数据集不平衡（class1=2000个图像，class2=1000个图像，class3=800），要么是因为图像中充满了对象，没有太多噪声或任何东西。因此，基本上，ROI几乎与数据集图像一样大，但分类器的目标是预测类似行车记录仪的视频，这些视频的标志通常非常小。 还是我这次必须更加努力、更长时间的训练才能取得好成绩

---

我问题的第二部分是，数据集中的图像需要满足什么样的经验法则才能输出良好的预测。

如果我没记错，GTSRB用于训练对象分类，而COCO数据集用于训练对象检测。像VGG-16这样的CNN架构应该足以让您执行所描述的任务。最后，试着平衡你的数据集，但是为什么他们会提供边界框呢？我还应该用它们来训练目标检测模型吗？如果我没记错的话，GTSRB用于训练目标分类，而COCO数据集用于训练目标检测。像VGG-16这样的CNN架构应该足以让您执行所描述的任务。最后，试着平衡你的数据集，但是为什么他们会提供边界框呢？难道我还不能用它们来训练一个物体检测模型吗？