Vertex AI单标签目标跟踪训练为何强制要求至少两个标签

这个是Vertex AI AutoML视频目标跟踪模块未在公开文档中说明的前置校验规则，设置该限制的核心逻辑有三点：

• 判别边界校准需要：平台自带的AutoML训练管线不会自动把无标注背景作为独立负类参与边界学习，如果只上传单个标签的训练数据，模型没有明确的类间特征差异参考，训练出来的结果会出现大量背景误检，根本达不到可用精度。最低2个标签的要求本质是强制给模型提供特征对比参照，哪怕第二个标签专门用来标注和目标外形相似的易混负例都可以。
• 训练流程的指标计算依赖：整个训练管线的验证集评估、早停触发、最优模型权重选择环节，都需要至少2个类别的标注数据才能计算类间召回、ID误切换率这些核心评估指标，单标签场景下这些计算节点会直接抛出参数错误，无法跑通完整训练流程。
• 训练资源的兜底拦截：每个标签至少绑定15个关联视频的阈值是平台基于大量训练结果统计出的最低数据量门槛，低于这个数据量训练出的模型泛化性极差，平台把这个校验放在训练入口，是为了避免用户消耗训练算力后拿到完全不可用的模型。

如果你的业务场景只需要识别单类目标，不需要额外准备大量第二类别的业务标注数据，只要上传15段以上包含典型易混物体的视频，给这些易混物体打上临时的other类标签就能通过入口校验，模型训练完成部署时过滤掉other类的输出结果即可，不会影响目标类别的识别跟踪精度。

内容的提问来源于stack exchange，提问作者Chris