Tensorflow 如何在没有大量标记数据的情况下训练神经网络

我是机器学习新手，我正在尝试建立一个目标检测神经网络

我有3000张图片，但只有150张贴了标签。 我的图像由web ui页面组成，我在其中标记按钮和徽标

目前，我已经尝试使用更快的rcnn\U inception\U resnet\U v2\u coco模型对其进行训练，但效果并不理想。 这些功能可以找到，但并不完美。

有没有办法改善结果？也许换个模特

如果我使用一个自动编码器对所有3000幅图像进行无监督的训练，然后使用转移学习到带有标记数据的深度学习模型中，我会得到更好的结果吗？如果是这样，我如何使用python和tensorflow实现它

---

谢谢

首先，查看COCO和VOC数据集

如果他们的类与您的类非常相似，那么您可以使用预先训练的模型（deeplab、yolo、maskrnn等）并在您的数据集上进行训练，性能应该非常好。以下是一些要签入github的存储库：

如果您的数据集与这些数据集非常不同，那么您可能不会期望有好的性能。在这种情况下，您必须通过更改类的数量来重新设计网络。您可以使用数据增强（自动编码器可能不是数据生成的最佳选择，因为生成高质量图像很复杂）。这是一个很好的数据扩充库，它使用掩码扩充样本

---

您可以使用。这就是使用更快的\u rcnn\u inception\u resnet\u v2\u coco模型得出这些结果的原因，您认为我应该使用哪种模型？谢谢您的回答！实际上，对于自动编码器，我没有考虑生成数据，而是在3000个未标记的图像上训练第一个NN，然后在另一个NN的低部分使用标记数据进行加权（一个预训练过程），这样权重就已经训练好了，可以看到特定类型的模式，你认为呢？是的，理论上是可行的，但会花费你大量的时间来生成高质量的图像，使用简单的增强会更容易。好吧，那么使用更轻的CNN呢？我已经读到，较小的NN用于较小的数据集，显然您可以，但很可能您会失望。因此，您完全可以尝试观察生成的图像是否适合您的任务。