Tensorflow 图像分类/检测-现实生活中使用的对象与库存照片图像？

在训练检测模型时，现实生活中使用的图像是否比同一物体但以库存照片形式显示的图像更好（即更高的精度/地图）

---

品种越多越好。如果您在所有具有白色背景的图像上训练网络，并期望它在有噪声背景的条件下执行，那么您应该期望在看不见的数据上执行更差的结果，因为网络从未有机会学习区分目标对象和背景对象的特征

如果你有透明背景的图像，一种可以提高效果的数据增强形式是将图像放置在许多随机背景下。离图像的真实渲染越近，效果就越好

您可以使用更真实的示例来扩充培训数据集，效果越好。请注意，向数据中添加随机噪声以生成更大的训练数据集通常没有帮助，仅当扩展的数据集包含数据集中原始图像的真实变体时，才会改善结果

---

训练神经网络时，我的座右铭是：网络会欺骗任何机会。它会学得很好，但如果有机会，它会走捷径。不要让它走捷径。这通常意味着：让问题变得更难，以至于没有捷径可走。神经网络通常在更困难的条件下表现更好，因为它能得到的最简单的解决方案也是最通用的。阅读多任务学习中的一些令人兴奋的例子，这些例子提供了很好的思想食粮。

种类越多越好。如果您在所有具有白色背景的图像上训练网络，并期望它在有噪声背景的条件下执行，那么您应该期望在看不见的数据上执行更差的结果，因为网络从未有机会学习区分目标对象和背景对象的特征

如果你有透明背景的图像，一种可以提高效果的数据增强形式是将图像放置在许多随机背景下。离图像的真实渲染越近，效果就越好

您可以使用更真实的示例来扩充培训数据集，效果越好。请注意，向数据中添加随机噪声以生成更大的训练数据集通常没有帮助，仅当扩展的数据集包含数据集中原始图像的真实变体时，才会改善结果

---

训练神经网络时，我的座右铭是：网络会欺骗任何机会。它会学得很好，但如果有机会，它会走捷径。不要让它走捷径。这通常意味着：让问题变得更难，以至于没有捷径可走。神经网络通常在更困难的条件下表现更好，因为它能得到的最简单的解决方案也是最通用的。阅读多任务学习中的一些令人兴奋的例子，这些例子非常值得思考。

如果你想让你的模型能够识别所有这些例子，你必须对它们进行训练。似乎白色背景的例子更容易被发现。其他功能误报的可能性较小。你使用什么样的网络？@MarcinMożejko TF对象检测API w/Faster RCNN ResNet 101如果你想让你的模型识别所有这些功能，你必须对它们进行训练。似乎白色背景的功能更容易检测。其他功能误报的可能性较小。您使用哪种网络？@MarcinMożejko TF对象检测API w/Faster RCNN ResNet 101