代码之家 › 专栏 › 技术社区 › Heldap

为YOLO和SSD型号创建数据集时,为什么要进行注释

object-detection keras deep-learning dataset tensorflow

1

Heldap · 技术社区 · 8 年前

我目前正在准备数据集,以便在其上训练SSD模型。

我想知道我是否必须为我的每一个班级的每一张图片做注解, 或者,如果我可以裁剪我的图像来隔离我的每个类,并将它们放在它们所属的类文件夹中。

用第一种方法,我会得到

dataset
    |
    |_annotations
    |   |
    |   |_001.xml
    |   |_002.xml
    |   |_...
    |
    |_images
        |
        |_001.jpg
        |_002.jpg
        |_...

使用第二种方法:

dataset
    |
    |_class1
    |   |
    |   |_crop01.jpg
    |   |_crop02.jpg
    |   |_...
    |
    |_class2
        |
        |_crop01.jpg
        |_crop02.jpg
        |_...

使用一种或另一种方法,培训过程是否会有所不同? 我注意到,对于分类模型,使用第二种方法,而对于检测器(如YOLO或SSD),使用第一种方法?

这只是一种习惯还是一种必须,或者两者都可以用于分类和检测? 使用裁剪方法训练检测模型会有什么影响?

提前感谢您的帮助

1 回复 | 直到 8 年前

1

3

Long Hoang Nguyen 8 年前

SSD模型将整个图像与对象的边界框一起馈送。这是使用第二种方法(正如您所说,用于分类)无法重新创建的。检测模型学习随类输出边界框偏移,因此需要原始图像和注释。