如何向TFLite Model Maker目标检测数据集添加无标注框图片并解决报错

一、正确添加无标注框图片的方案 #

报错原因是TFLite Model Maker的目标检测数据加载逻辑没有处理空标注字段的场景，会强制尝试把CSV里对应坐标位置的空值转换为浮点数，所以直接使用AutoML文档里全空字段的写法会触发类型转换错误，有两种可行的解决方法：

• 方法一：调整CSV格式+修改加载源码
  对于无标注的负样本图片，可单独设置专属类别标记，比如__negative__，CSV行里的坐标字段统一填0作为占位，避免出现空值，然后修改数据加载的源码，在处理坐标转换前先判断类别，如果是负样本标记就直接跳过当前行的标注处理，不给对应图片加任何标注框即可。
  负样本CSV行示例：

  TRAIN,gs://folder/im3.png,__negative__,0,0,0,0,0,0,0,0
  

  对应代码修改参考：

  # 在原有的坐标转换代码前增加负样本判断逻辑
  if line[2] == "__negative__":
      continue
  xmin, ymin = float(line[3]) * width, float(line[4]) * height
  

• 方法二：绕开CSV解析直接添加负样本
  如果不想修改官方源码，也可以单独整理所有负样本的路径，在正常加载完带标注的正样本数据集之后，手动把负样本图片（标注为空）追加到数据集对象中，不需要走CSV解析流程。

二、无目标图片对训练的作用 #

这类没有任何待检测目标的负样本对模型训练有明确的正向作用：

• 能有效降低模型的假阳性率，避免模型把背景中的无关物体误识别为待检测类别
• 尤其适配检测场景背景复杂、易出现混淆物体的情况，比如要检测桌面上的水杯，加入大量没有水杯的桌面背景图，能帮模型更好地区分目标和背景
• 负样本数量不需要太多，控制在总样本量的10%~30%即可，过多的负样本可能会导致模型漏检概率升高。

内容的提问来源于stack exchange，提问作者topher217