我有一个用例，在300个不同的项目中，我有大约300张图像。我需要机器学习才能每分钟大约检测一次项目。
我一直在使用Keras和Sequential来检测图像，但是我想知道当我有300个标签并且每个标签仅学习一张图像时应该考虑什么。
简而言之：
1）可以对每个标签使用一张学习图像进行机器学习图像检测吗？
2）我需要考虑一些特殊的东西吗？
答案 0 :(得分：3)
如果这是一个特例-例如，每100个班级中的一个班级由一个训练图像表示-那么您可能会摆脱它。但是，每个班级都有一个唯一的图像会带来麻烦。
一个神经网络通过迭代校正来学习，找出哪些特征和组合最重要，哪些不重要，以将类彼此区分。培训从一个混乱的过程开始，这个过程与研究有一些相似之处：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。每个内核都是一种识别歧视过程中重要内容的模式。如果您缺乏足够的示例来对模型进行归纳和区分，则可以冒风险（实际上，您很有可能）得出结论，该结论对一个输入图像有效，但对同一输入图像无效课。
例如，我的一个熟人用他自己的照片制作了规范的猫或狗模型，展示了他自己家里和几个朋友的宠物。该模型训练得很好，在测试数据上以100％的准确性识别出猫和狗，然后将其投入工作...
...失败，准确度约为65％（随机猜测为50％）。他进行了分析，发现了问题所在：他的朋友们养着室内的猫，但是他们偏爱的狗照片不在屋外。很简单，该模型学会了识别猫和狗，而不是沙发和厨房柜子与室外树叶。主要过滤器之一是较大的，带纹理的绿色区域。是的，狗是大的，有纹理的绿色生物。 ：-）
一次性训练的唯一方法是，如果每个训练图像都经过专门设计以包含恰好，这些特征将此类与其他299区别开来，并且否< / em>其他视觉信息。不幸的是，要确定这些特征可能是什么，并提供规范的培训照片，您必须事先知道模型需要选择的模式。
这完全打败了深度学习和模型训练的用例。
答案 1 :(得分：1)
如果仅在该图像上训练一次，则可能尚无法检测到它。如果您对它进行更多的训练，它可能会不合适，并且只能识别一张图像。如果这是您要尝试的操作，则应制定一种算法在屏幕上搜索该图像（这样会更有效）。
答案 2 :(得分：0)
1）由于缺乏训练集，您可能会在模型泛化方面遇到问题。换句话说，您的模型不会“学习”该类。
2）最好有一个更好的训练集以便创建更好的模型。