使用CreateML训练的目标检测器识别大量对象是否正常？如何评估计数？

首先，这种识别出大量对象的情况在小数据集训练的模型中很常见，但并不属于理想的模型表现，下面分点给你拆解：

一、是否正常？模型有没有问题？ #

这种现象主要是数据集规模不足导致的泛化能力差，而非CreateML框架本身的问题：

• 你的训练集只有30张图，总标注对象数量不多（每张1-3个，共5个标签），其中"face-gendermale"仅20次标注。模型根本没机会学到足够的特征来区分"男性人脸"和其他类似区域（比如光影、轮廓接近的背景元素），所以会把很多无关区域误判成目标。
• 小数据集训练的模型通常会偏向"宽松"的预测逻辑（为了不遗漏目标），导致置信度阈值偏低，进而产生大量假阳性（误检）结果。

简单说：这是小数据集训练的典型副作用，不算"正常"的合格模型表现，但属于预期内的问题。

二、如何评估识别结果？ #

你可以从这几个维度入手：

• 利用CreateML自带的评估指标：训练完成后，CreateML会给出精确率(Precision)、召回率(Recall)、平均精度均值(mAP)这些核心指标。如果精确率很低，就对应你现在的误检过多问题；召回率高但精确率低，说明模型"太敏感"，抓了很多无关对象。
• 手动抽样验证：挑选一批测试图片，对比模型生成的检测框和真实标注，统计三类结果：
  • 真阳性(TP)：正确识别到目标的框
  • 假阳性(FP)：误检的框（把非目标当成目标）
  • 假阴性(FN)：漏检的目标（没识别到）
    用这些数据计算精确率（TP/(TP+FP)）和召回率（TP/(TP+FN)），能直观判断模型的优劣。
• 调整置信度阈值：在CreateML的测试界面里，你可以尝试提高预测的置信度阈值（比如从0.5调到0.7），这样能过滤掉大部分低置信度的误检，但可能会增加漏检，需要找到适合你场景的平衡点。

三、如何统计模型识别的对象数量？ #

有两种常用方式：

1. 手动统计（适合少量测试图） #

在CreateML的测试界面，每张图都会显示识别出的对象列表和对应的框，你可以直接数数量，或者按标签分类统计。

2. 代码批量统计（适合大量测试图） #

用Core ML加载你的模型，编写简单的代码来自动统计。举个Swift的示例：

import CoreML
import Vision
import UIKit

// 替换成你的模型类名
let modelName = "YourFaceDetectorModel"

func countDetectedObjects(in imageName: String) {
    guard let modelURL = Bundle.main.url(forResource: modelName, withExtension: "mlmodelc"),
          let model = try? VNCoreMLModel(for: MLModel(contentsOf: modelURL)),
          let image = UIImage(named: imageName),
          let ciImage = CIImage(image: image) else {
        print("加载资源失败")
        return
    }
    
    let request = VNCoreMLRequest(model: model) { request, error in
        guard let results = request.results as? [VNRecognizedObjectObservation] else { return }
        
        // 统计总识别对象数
        print("图片\(imageName)总识别对象数：\(results.count)")
        
        // 按标签统计（比如统计男性人脸）
        let maleFaceCount = results.filter { $0.topLabel == "face-gendermale" }.count
        print("男性人脸识别数：\(maleFaceCount)")
    }
    
    let handler = VNImageRequestHandler(ciImage: ciImage)
    do {
        try handler.perform([request])
    } catch {
        print("处理图片失败：\(error.localizedDescription)")
    }
}

// 调用示例
countDetectedObjects(in: "test_male_photo.jpg")

四、优化建议 #

要解决误检过多的问题，核心还是补全数据：

• 扩充数据集：每个标签至少收集50-100个标注样本，覆盖不同角度、光照、背景的场景，让模型学到更鲁棒的特征。
• 开启数据增强：在CreateML训练时，勾选翻转、缩放、旋转等数据增强选项，用现有数据生成更多变种，提升模型泛化能力。
• 优化标注质量：确保标注框完整包围目标，标签统一无歧义，避免给模型传递错误信息。

内容的提问来源于stack exchange，提问作者Manuel