我有一个用例，我有 300 个不同项目中的大约 300 个图像。我需要机器学习来检测一个项目大约每分钟一次。
我一直在使用 Keras 和 Sequential 来检测图像，但我想知道当我有 300 个标签并且每个标签只有一张图像用于学习时，我应该考虑什么。
简而言之：
1) 你能用每个标签一张学习图像进行机器学习图像检测吗？
2) 有什么特别需要考虑的吗？
【问题讨论】：
标签： python machine-learning keras artificial-intelligence sequential
如果这是一种特殊情况——例如，100 个班级中的一个班级由一张训练图像表示——那么你可能会侥幸成功。但是，每个班级都有一个独特的图像是自找麻烦。
神经网络通过迭代校正进行学习，找出哪些特征和组合在区分类别时是重要的，哪些不重要。训练从一个与研究有一些相似之处的混乱过程开始：查看可用数据，形成假设，然后针对现实世界进行测试。
在 NN 中，“假设”是它开发的各种内核。每个内核都是一种模式，用于识别对辨别过程很重要的东西。如果您缺少足够的示例让模型对每个类别进行概括和区分，那么您就有可能（实际上，您有可能）模型得出对一个输入图像有效但对同一输入图像无效的结论类。
例如，我的一位熟人使用他自己的照片制作了典型的猫或狗模型，展示了他自己家中的宠物和几个朋友的宠物。该模型训练得很好，在测试数据上以 100% 的准确率识别了猫和狗，并且他将其用于工作......
...失败的地方，准确率约为 65%（随机猜测为 50%）。他做了一些分析，发现了问题：他的朋友有室内猫，但他们喜欢的狗照片是户外的。很简单，该模型学会了识别不是猫与狗，而是沙发和厨柜与户外植物。主要过滤器之一是大的、有纹理的、绿色的区域。是的，狗是一种大型的、有纹理的、绿色的生物。 :-)
一次性训练有效的唯一方法是，如果您的每张训练图像都经过专门设计，恰好包含了将此类与其他 299 个类别区分开来的那些特征，并且不 其他视觉信息。不幸的是，要确定这些特征可能是什么，并提供规范的训练照片，您必须提前知道模型需要选择哪些模式。
这完全违背了深度学习和模型训练的用例。
【讨论】：
如果您只在该图像上训练一次，它可能还无法检测到它。如果你对它进行更多训练，它可能会过度拟合并且只能识别一张图像。如果那是你想要做的，那么你应该制定一个算法来搜索屏幕上的图像（它会更有效）。
【讨论】：
1) 由于缺乏训练集，您的模型泛化可能会遇到问题。换句话说，您的模型不会“学习”该类。
2) 最好有更好的训练集以创建更好的模型。
【讨论】：