如何在Vertex AI目标检测模型训练中添加负样本？

• 规范负样本的标注格式
  Vertex AI的目标检测模型需要明确标注逻辑，直接加入无标签图片会被判定为无效数据。你得给这些不含目标的图片添加空标注：

  • 用CSV标注文件时，对应行的bbox_xmin、bbox_ymin、bbox_xmax、bbox_ymax字段留空，或者统一设为0（需匹配模型支持的格式要求）；
  • 用JSONL格式时，每个负样本的annotations字段设为空数组[]，同时确保image_uri正确指向图片存储路径。

• 合理控制负样本占比
  负样本数量太少容易被模型忽略，建议把负样本占比控制在训练集的20%-40%区间（按你现有5000张训练图计算，可加入1000-2000张负样本）。另外要保证负样本覆盖那些之前误检测的差异显著场景，提升模型的泛化能力。

• 调整训练配置参数
  在Vertex AI训练作业的配置里，针对性修改与负样本相关的参数：

  • 开启困难负样本挖掘：如果你用的是SSD、Faster R-CNN这类预训练目标检测模型，在训练配置中启用该功能，让模型自动聚焦那些容易误判的负样本；
  • 调整正负样本损失权重：适当提高负样本的损失权重，避免模型过度关注正样本而忽略负样本的学习。

• 验证负样本的有效性
  训练前通过Vertex AI的数据集工具确认负样本状态：

  • 查看数据集统计面板，确认负样本的数量和标注状态显示正常；
  • 用小批量数据做测试训练，检查训练日志中是否有负样本参与损失计算的相关记录，确保它们被模型正确纳入训练流程。

内容的提问来源于stack exchange，提问作者goldworld