我正在制作一个 CNN 来检测不同类型的粗磨食品（宠物食品）。我希望模型能够告诉你一张粗磨食物的图片是狗粗磨还是猫粗磨。我有大约 500 张属于每个班级的图像。我在 python 中使用了预训练模型（resnet.34）和 fastai 来制作我的模型。我想知道是否需要进行某种图像分割才能使模型准确。就像让模型将每个单独的粗磨食品识别为不同的对象一样。因为目前，该模型可能正在对实际粗磨食物以外的属性进行预测。我知道使用 tensorflow，您可以可视化图像中存在的不同对象。不确定fastai是如何做到的。我将附上一些我在训练集中使用的数据图像。 [
【问题讨论】：
标签： python image tensorflow classification fast-ai
不，您不需要使用分段。很有可能，如果您的数据中有信号，CNN 会学习它，并且偏差不会成为太大问题。
如果您担心其他元素（例如碗的种类）可能会影响您的算法，我认为您可以在分割之前做很多事情（这是一项非常艰巨的任务）。例如，您可以裁剪图片的中间正方形。然后，就只能看到粗磨了。
话虽如此，仍然很少有信息会影响您的算法。如果你看一下流行的猫狗数据集，会有很多不必要的背景，但这是一项简单的分类任务。
【讨论】：
我同意你可能不需要图像分割来解决这个问题，看起来分类应该能够处理它。我同意 Nicolas 的观点，即裁剪可能会有所帮助，但也许将裁剪/未裁剪的图像混合用于训练有助于模型专注于粗磨食物本身？
在对图像执行训练/预测之前，我还会研究 histogram equalization 和/或可应用于图像的其他调整。我在您的示例图像中注意到的一件事是颜色差异并不明显。直方图均衡将增加图像中的全局对比度，并使模型更容易发现差异。在转向更复杂的模型选项之前，我会研究这样的图像增强功能，因为它们的应用速度要快得多。
【讨论】：