基于10幅图像的训练目标检测模型

Question

我正在尝试训练一个以Resnet50为骨干的蒙克-RCNN对象检测模型。我正在使用来自PyTorch火炬视觉库的预训练模型。我只有10个图像，我可以用来训练。在相同的10张图片中，我使用了3张图片进行验证。对于评估，我使用COCO中使用的评估方法，它也作为TorchVision的github存储库中的.py脚本提供。

为了有足够的样本进行训练，我对相同的10幅图像进行了100倍的过度采样，即我最终得到了1000幅图像，我可以用来训练我的模型。类似地，我最终得到了300个图像，我可以使用这些图像进行验证。

现在，问题是，我得到了0%的mAP后，火车和0%的召回。我有两个问题：

Q1.为什么要返回0%的mAP?

如果这与我在很大程度上过度采样有关，那么我的下一个问题是

Q2.过度采样不是只会导致模型过度匹配，而是为我的案例提供更高的训练和验证精度(因为我已经从培训数据本身中选择了验证数据？

？

Answer 1

考虑使用数据增强首先，您将有几百个新的图像供您使用，然后添加一些噪音的图像，以避免过度拟合。这样你会有更好的结果。

Answer 2

从评论中，你想要做的就是检测你拥有的图像。这使得这是一个简单的问题。

如果给定的图像与您拥有的图像相同，则返回该图像的信息(例如类别)。如果给定的图像与您拥有的图像不匹配，则不要返回此类信息。

在Python中，应该是这样的。

if image in list_of_images:
    return(label)
else:
    return