计算机视觉 / 系统课时

选择训练任务类型

选择训练任务类型

开始准备 YOLO 数据集之前,必须先确定业务真正需要什么输出。目标检测、实例分割和图像分类虽然都能使用图像训练,但它们回答的问题、标注成本和最终结果完全不同。任务类型选错,后续再精细地标注和调参也无法得到合适的模型。

学习目标

  • 根据业务需要的最终输出选择检测、分割或分类任务
  • 理解三类任务的数据标注形式和能力边界
  • 避免因为任务定义过重或过轻造成不必要的训练成本

先从业务最终需要的结果判断

选择任务时不要先问“哪个模型更强”,而要先问业务系统最终需要什么信息。分类只判断整张图片属于什么类别;目标检测进一步回答目标在哪里;实例分割则需要得到目标的精确轮廓。

业务问题 更合适的任务 典型输出
这张图片是不是猫 图像分类 图片类别与置信度
图片里有几只猫、分别在哪里 目标检测 每只猫的类别、边界框与置信度
每只猫实际占据哪些像素 实例分割 每个实例的类别、轮廓掩码与置信度

如果业务只需要判断图片是否包含某类内容,直接采用分割通常属于过度设计;反过来,如果需要计算物体面积、轮廓或与其他区域的精确接触关系,只使用矩形检测框又往往不够。

三类任务看到的结果有什么不同

同一张包含多个目标的图片,在三类任务中的输出粒度完全不同。分类关注整张图,检测关注对象级位置,实例分割进一步精确到像素级区域。

分类、目标检测与实例分割输出差异

这种输出差异也直接决定标注工作量。分类数据通常只需为整张图片指定类别;检测需要逐个目标绘制边界框;实例分割则必须沿目标轮廓标注区域。标注越精细,数据生产和质检成本通常越高。

用最短决策顺序选择任务

可以按照最终业务动作依次判断。首先确认系统是否需要知道目标的位置。如果完全不关心位置,只需判断整张图的类别,优先选择分类。

如果需要定位目标,再判断矩形边界框是否足够。例如安全帽检测、车辆计数、货架商品定位等场景通常只需要知道目标在哪里,检测任务已经能够满足需求。

只有当业务确实依赖精确轮廓时,才继续选择实例分割。例如需要计算裂缝面积、识别重叠物体边界、统计零件表面缺陷区域时,矩形框包含的大量背景会影响后续计算,此时像素级掩码才有必要。

容易选错的几个场景

“图片里有没有安全帽”和“每个人是否佩戴安全帽”不是同一个问题。前者在受控场景中可能通过分类解决,后者通常需要检测人员和安全帽的位置关系,因此更适合目标检测,必要时再增加后续匹配逻辑。

同样,“识别图片中的车辆类型”也需要先确定对象数量。如果每张图片始终只有一辆居中的汽车,分类足够;如果一张图中可能同时出现多辆不同类型车辆,就需要检测分别定位和分类每个实例。

最终选择标准可以归结为输出粒度:只要整图类别就选分类,需要对象位置就选检测,需要精确轮廓才选实例分割。先锁定这个边界,再设计数据集,能够避免后续大规模返工。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

选择训练任务类型

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通