对象检测模型中的类数如何影响准确性？

Question

如果我有一个Yolo或RetinaNet对象检测模型.如果我用10个和50个课程来训练它(假设每个班有3000个训练数据图像)，有10个类的模型会与50个类的模型相似吗？模型在“权重内存”中可以成功容纳的类数是否有“软限制”？

我注意到，对于大多数COCO示例，类#设置为80。当他们把这个数字推到200的时候，表现是否会恶化呢？

在这类问题上是否有任何基准？我假设这是一个经过充分讨论的问题，即在多个经过训练的模型中分割多个类的对象检测，还是将它们全部打包成一个模型？

Answer 1

机器学习问题的普遍共识是，当有更多的数据和更多的类分裂时，获得更高精度的结果变得更加困难。最简单的例子是cifar 10和cifar 100。虽然它们实际上是相同的，但在效率方面，它们往往差别很大。

一旦增加了更多的类，最终的输出就会有更多的可变性。我不知道有任何软性的限制，虽然可能会有很少的文件集中在这方面。如果你采取一个模型A，并训练它的数据与10个类别和50个类别，它一定会表现更好的10个类，只要有一个理想的设置在这两个方面。

我没有遇到任何基准，它说，哪个是理想的班级数量。引入许多模型需要很大的计算能力，因此，多到一个模型的问题主要取决于性能的成本而不是任何软限制。