Yolo-nas-l模型微调咨询：需多少图像？是否需扩充训练集？

我计划针对行人类别微调YOLO-NAS-L模型，目前已标注的行人类别图像分为：

• 训练集：3979张
• 验证集：1135张
• 测试集：569张

经过100轮训练后，模型的mAP@0.50:0.95表现尚可，但Precision（精确率）和Recall（召回率）指标较差，现咨询两个核心问题：

1. 微调YOLO-NAS-L模型需要多少张图像？
2. 是否需要扩充训练集？

训练参数 #

train_params = {
    'silent_mode': False,
    "average_best_models": True,
    "warmup_mode": "LinearEpochLRWarmup",
    "warmup_initial_lr": 1e-6,
    "lr_warmup_epochs": 3,
    "initial_lr": 5e-4,
    "lr_mode": "cosine",
    "cosine_final_lr_ratio": 0.1,
    "optimizer": "Adam",
    "optimizer_params": {"weight_decay": 0.0001},
    "zero_weight_decay_on_bias_and_bn": True,
    "ema": True,
    "ema_params": {"decay": 0.9, "decay_type": "threshold"},
    "max_epochs": MAX_EPOCHS,
    "mixed_precision": True,
    "loss": PPYoloELoss(
        use_static_assigner=False,
        num_classes=len(dataset_params['classes']),
        reg_max=16
    ),
    "valid_metrics_list": [
        DetectionMetrics_050(
            score_thres=0.3,
            top_k_predictions=100,
            num_cls=len(dataset_params['classes']),
            normalize_targets=True,
            post_prediction_callback=PPYoloEPostPredictionCallback(
                score_threshold=0.01,
                nms_top_k=500,
                max_predictions=150,
                nms_threshold=0.7
            )
        ),
        DetectionMetrics_050_095(
            score_thres=0.3,
            top_k_predictions=100,
            num_cls=len(dataset_params['classes']),
            normalize_targets=True,
            post_prediction_callback=PPYoloEPostPredictionCallback(
                score_threshold=0.01,
                nms_top_k=500,
                max_predictions=150,
                nms_threshold=0.7
            )
        ),

    ],
    "metric_to_watch": 'mAP@0.50:0.95'
}

100轮训练结果 #

Valid_PPYoloELoss/loss_cls: 0.8076702356338501  
Valid_PPYoloELoss/loss_iou: 0.329728901386261   
Valid_PPYoloELoss/loss_dfl: 0.44104906916618347 
Valid_PPYoloELoss/loss: 1.5784482955932617  
Valid_Precision@0.50: 0.48968252539634705   
Valid_Recall@0.50: 0.9280189275741577   
Valid_mAP@0.50: 0.8829154372215271  
Valid_F1@0.50: 0.6410865187644958   
Valid_Precision@0.50:0.95: 0.3704988658428192   
Valid_Recall@0.50:0.95: 0.7021487355232239  
Valid_mAP@0.50:0.95: 0.6309549808502197 
Valid_F1@0.50:0.95: 0.4850526750087738  

问题解答 #

1. 微调YOLO-NAS-L模型需要多少张图像？ #

没有固定的绝对数量，核心取决于数据质量、场景复杂度和预期精度：

• 针对单类别行人检测的基础任务，1000-3000张训练图就能满足基本检测需求；
• 如果场景复杂（比如夜间、密集人群、极端天气、远距离遮挡等），则需要5000-10000张甚至更多数据，保证覆盖所有可能的目标状态；
• 你当前的3979张训练数据已经超过基础规模，但如果数据多样性不足，依然会导致Precision和Recall拉胯。

2. 是否需要扩充训练集？ #

结合你的训练指标，优先排查数据质量，再决定是否扩充：

• 从结果看，Recall@0.50高达0.928，说明模型几乎能找出所有真实行人，但Precision@0.50仅0.489，意味着模型误判大量非行人目标为行人（假阳性过多）；
• 先做现有数据的自查：
  • 检查训练集标注是否存在错误（比如把非行人标成行人、标注框偏移/漏标）；
  • 确认数据多样性：是否缺少容易误判的场景（比如相似外观的非行人目标、低光照/远距离行人）；
• 如果自查后数据质量没问题，但场景覆盖有明显缺口，再考虑扩充训练集：
  • 优先补充与假阳性相关的样本（比如容易被误判的背景物体、难识别的行人样本）；
  • 也可以先尝试数据增强（翻转、裁剪、亮度调整、MixUp等），在现有数据基础上提升多样性，成本更低且见效快。

内容的提问来源于stack exchange，提问作者Bhautik pithadiya