关于MobileNetV2与EfficientNetLite的数据集及数据增强技术咨询

1. 小数据集下数据增强对迁移学习模型的性能提升与泛化影响 #

数据增强是小数据集迁移学习场景下的核心优化手段，作用体现在两个关键维度：

• 缓解过拟合：小数据集的样本分布极易偏向特定拍摄条件（比如固定光照、角度），模型容易记住样本细节而非病害核心特征。通过随机裁剪、水平翻转、亮度/对比度调整、高斯噪声注入等操作，能生成覆盖更多场景的"虚拟样本"，迫使模型聚焦于病斑形状、颜色、纹理这类本质特征，避免过拟合到训练集的特殊样本。
• 强化泛化能力：迁移学习中，预训练模型的特征提取层已经学到通用视觉模式，但小数据集容易让微调后的模型"偏离"通用特征。数据增强能让模型在微调过程中接触更多样的输入，既保留预训练的通用特征，又适配植物病害的特定场景——比如能更好识别农户手机拍摄的不同角度、不同光照下的病害样本，降低测试集准确率的波动，提升类别不平衡样本的F1-score。

2. 无数据增强时单类图像的最小推荐数量 #

基于MobileNetV2/EfficientNetLite这类轻量预训练模型的特性，单类图像的最小数量需结合类别特征差异调整：

• 基础阈值：单类至少需要50-100张标注清晰的图像。这个数量能让下游分类头学到该类病害的核心区分特征，避免随机猜测。
• 特征差异适配：
  • 若类别间特征差异显著（比如玉米大斑病的大块深色病斑和锈病的点状锈斑），可降低至30-50张；
  • 若类别间特征高度相似（比如某些木薯病害的浅褐色病斑），需提升至100-150张，否则模型极易混淆不同类别；
  • 注意：样本需覆盖不同拍摄条件（光照、角度、植株生长阶段），若所有样本都是同一场景拍摄，即使数量达标，泛化能力也会很差。

3. 数据集规模对MobileNetV2与EfficientNetLite选型的影响 #

结合两个轻量模型的架构特性，根据数据集规模选型：

• 小数据集（单类<100张）：优先选MobileNetV2。它的参数量更少、结构更简单，在小数据集上不易过拟合，训练速度快，且预训练的通用视觉特征已足够覆盖植物病害的基础模式，能在有限数据下达到稳定的分类效果。
• 中等数据集（单类100-500张）：推荐EfficientNetLite。它采用复合缩放策略，在参数量接近MobileNetV2的前提下，特征提取能力更强。当数据集足够支撑微调时，能学到更细粒度的病害特征（比如病斑边缘的细微纹理），精度比MobileNetV2更优。
• 大数据集（单类>500张）：优先EfficientNetLite。它的高效架构能充分挖掘大量数据中的信息，性能优势会被进一步放大；如果部署端算力极度受限，也可选择MobileNetV2，但精度会有小幅下降。

内容的提问来源于stack exchange，提问作者Kijumbe James