人工對數據集d進行標注p0（格式p）–>
使用數據集d和標注p0訓練生成權重文件w0–>
使用w0對d進行預測，生成標注p00（格式t）–>
將標注p00轉換成標注p1（格式p）–>
使用數據集d和標注p1訓練生成權重文件w1–>
循環往復…
便能使得標注達到最優，同時反向提升識別效果，并且能使得召回率和精度得到提升（雖然召回率與精度并不能完全反映出識別效果）

20200218更新

參考文章：標注（annotation）的反向優化策略 將Yunyang tensorflow-yolov3 predicted轉換為正常yolo標注

總結

以上是生活随笔為你收集整理的图像识别 标注（annotation）的反向优化策略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。