Czy podczas treningu YOLO do wykrywania rzadkich obiektów należy stosować próbkę zbliżoną do rzeczywistości lub z równym balansem klas?

Podczas trenowania YOLO do wykrywania rzadkich obiektów ważne jest uwzględnienie równowagi klas, ale podejście zależy od zadania i danych. Jeśli użyje się próbkowania zbliżonego do rzeczywistego rozkładu (czyli z naturalnym nierównowagą), model może mieć trudności z rozpoznawaniem rzadkich klas z powodu braku przykładów.

Dlatego często stosuje się techniki wyrównywania, takie jak próbkowanie z równą liczbą przykładów dla każdej klasy lub użycie metod augmentacji danych (data augmentation) dla rzadkich klas. Pomaga to modelowi lepiej wyróżniać rzadkie obiekty.

Nadmierne sztuczne wyrównanie może jednak prowadzić do nadmiernego dopasowania do rzadkich klas i pogorszenia ogólnej wydajności.

Optymalne podejście to łączenie wyrównywania klas z uwzględnieniem rzeczywistego rozkładu, na przykład używając funkcji strat ważonych lub skupionej straty (focal loss), która zmniejsza wpływ często występujących klas i skupia uwagę na rzadkich.

Przykład użycia ważonego próbkowania:

# Przykład pseudokodu do wyrównywania klas
from torch.utils.data import WeightedRandomSampler

class_sample_counts = [1000, 100, 50]  # liczba przykładów dla każdej klasy
weights = 1. / torch.tensor(class_sample_counts, dtype=torch.float)
samples_weight = weights[labels]
sampler = WeightedRandomSampler(samples_weight, num_samples=len(samples_weight), replacement=True)

# Użycie sampler w DataLoader