为 YOLO 和 SSD 模型创建数据集时为什么要进行标注答案

【问题标题】：Why should I make annotations when creating a dataset for YOLO and SSD models为 YOLO 和 SSD 模型创建数据集时为什么要进行标注
【发布时间】：2018-07-05 21:25:58
【问题描述】：

我目前正在准备我的数据集，以便在其上训练 SSD 模型。

我想知道是否必须为我的每个班级的每个图像添加注释，或者如果我可以裁剪图像以隔离我的每个班级并将它们放入它们所属的班级文件夹中。

第一种方法我会得到类似的东西

dataset
    |
    |_annotations
    |   |
    |   |_001.xml
    |   |_002.xml
    |   |_...
    |
    |_images
        |
        |_001.jpg
        |_002.jpg
        |_...

用第二种方法：

dataset
    |
    |_class1
    |   |
    |   |_crop01.jpg
    |   |_crop02.jpg
    |   |_...
    |
    |_class2
        |
        |_crop01.jpg
        |_crop02.jpg
        |_...

使用一种或另一种方法会在训练过程中有所不同吗？我注意到对于分类模型，使用第二种方法，而对于检测器（例如 YOLO 或 SSD）使用第一种方法？

它只是一种习惯还是不得不，或者两者都可以用于分类和检测？使用裁剪方法训练检测模型会有什么影响？

提前感谢您的帮助

【问题讨论】：

标签： tensorflow dataset deep-learning keras object-detection

【解决方案1】：

SSD 模型获取整个图像以及对象的边界框。这是您无法使用第二种方法重新创建的（正如您所说，用于分类）。检测模型学习将边界框偏移量与类一起输出，因此它需要原始图像和注释。

【讨论】：