YOLO標註應注意 скачать в хорошем качестве

YOLO標註應注意

模型常見的兩種誤判情況 1. 漏檢 (False Negative) 在標註階段，如果一張圖片中實際有 3 個 A 物件，但標註時只框選了其中 1 個，那麼剩下的 2 個未被標註的 A 物件，在模型訓練時就會被誤當作「背景」。這會造成模型學到錯誤資訊，認為「某些 A 物件其實是背景」，結果在預測時無法正確辨識，導致漏檢的情況發生，並使召回率 (Recall) 顯著下降。 2. 誤檢 (False Positive) 舉例來說，在黑熊偵測任務中，大型黑狗、山豬，甚至陰影下的其他動物，都可能因外觀特徵相似而被模型誤判為黑熊。這就是誤檢 (False Positive)。 為了減少誤檢，可以在訓練過程中加入「負樣本 (Negative Samples)」。所謂負樣本，是指那些容易被誤判成黑熊的圖片（如黑狗、山豬等），但不提供任何標註框。YOLO 的訓練機制中，如果模型讀取到一張圖片（例如 dark_dog.jpg），卻找不到對應的標註檔（.txt 檔），它會自動將該圖片視為「負樣本」。透過學習這些負樣本，模型能更準確地掌握「背景」與「非目標物」的特徵，進而提升判斷力，有效降低誤檢發生率。 更多 YOLO    • YOLO效能指標解說-mAP@IoU