单标签目标检测模型训练如何选取合适的训练图像

针对你提到的三个训练相关问题，直接给出可落地的结论： #

扩大训练数据集规模是否能够提升检测准确率？ #

• 可以，但核心是新增样本要覆盖真实场景的变量，重复堆同场景同分辨率的同质截图没用。你目前仅120张1080p样本，对于需要稳定回归边界框的检测任务来说样本量严重不足，这也是出现框裁切内容、冗余过多的核心原因之一。
• 这类固定UI类目标的检测场景，有效样本量达到500张以上时，边界框回归误差基本能控制在不裁切文本、冗余区域占比低于10%的可用水平。注意新增样本时首先要保证标注一致性，所有标注框的松紧程度统一，很多定位偏移问题本质是标注时框的尺度不统一，和模型能力无关。
• 不要靠复制原图、过度扭曲这类无效增广凑数，优先收集不同文本内容、不同游戏场景下、不同弹出状态的真实截图，搭配轻度亮度、对比度扰动即可，过度增广反而会让模型学到错误特征。

构建训练数据集时是否需要覆盖不同分辨率的样本？ #

• 必须覆盖。你当前仅用1080p样本训练，模型学到的是该分辨率下文本框的绝对尺寸、相对画面占比特征，遇到WQHD、4K甚至窗口化非标准分辨率时，对目标尺寸的预判会直接失准，必然出现框偏大或偏小的问题。
• 不需要给每个分辨率都凑齐上百张样本，常用分辨率（1080p、2K、4K、常见窗口化分辨率如1600x900）各准备30-50张代表性样本即可，剩余样本可以通过对现有1080p样本做等比例缩放、边缘padding的方式，模拟不同分辨率下的目标占比特征，制作成本很低。
• 训练时开启多尺度训练，配置输入尺寸范围覆盖实际使用的所有分辨率，对定位精度的提升效果比单纯堆不同分辨率样本更明显。

训练时是否仅输入裁切后的单独目标框图像即可，还是需要混合完整游戏截图与单独目标框图像作为训练样本？ #

• 绝对不能只输入裁切后的单独目标框。目标检测模型的核心学习逻辑是在完整画面的背景中区分目标和非目标区域，只喂裁切好的目标框，模型根本学不会“在完整游戏画面里哪个区域是要提取的文本框”，本质是退化成了图像分类模型，推理时必然出现定位混乱。
• 训练样本全部使用带标注的完整游戏截图即可，不需要额外混合单独裁切的目标框。如果想强化模型对文本框本身特征的感知，直接开启SSD自带的随机裁剪增广就行：训练时随机裁出包含完整目标框的局部区域输入模型，不需要手动准备裁切样本。
• 额外提个见效最快的优化点：你要检测的游戏文本框属于长宽比固定的UI目标，训练前把anchor的长宽比配置成和实际文本框的长宽比一致，能大幅降低边界框回归误差，比盲目加数据的提升效率高很多。

内容的提问来源于stack exchange，提问作者user2450489