简介：面向目标检测开发者的警察/民警识别数据集，支持YOLO26格式，包含“警察”和“非警察”两类标注，可应用于安防监控、智慧城市、重点区域人员识别等场景。资源共715个文件，包括357张jpg原始图像、357个txt标注文件以及1个yaml配置文件，压缩包大小13.76MB。其中txt文件采用YOLO标准格式记录目标边界框坐标与类别ID，yaml文件用于定义数据集的类别及基础配置，数据与标签一一对应，可直接输入YOLO系列模型进行训练。数据集内图像与标注一一对应，可直接用于模型训练和效果验证；对于需要快速构建自定义目标检测任务、避免从零标注数据的开发者和研究人员而言，这份资源可显著缩短数据准备周期。目前已有25人浏览学习，适合用作课题实验、算法竞赛及安防项目的初始数据集。
1. 带标注的警察民警识别数据集：357张图到底能做什么事
先说我看到这个标题时的第一反应：357张图、两种标签、警察和非警察，这摆明了不是要做一个通用大模型，而是一个垂直场景里的快速响应式模型。做安防、做执法记录仪、做重点区域布控的人手里经常会有这类需求——人能看出谁是民警，但摄像头每帧都要人去盯就失去了意义。把「警察/非警察」识别做成一个离线可跑的检测模型，在这类定点监控和闸机核验场景里，比纯人脸方案更鲁棒，因为不依赖正脸、不受口罩影响，判断依据是制服和装备特征。这套数据集的真实价值在于：它给了你一个极小的起点，357张图做原型验证绰绰有余，难的是把它训到能过内部验收、敢往现场推。我的建议很直接：拿它跑通完整的「标注→转换→训练→评估→小规模实测」链路，这个投入收益比极高；但别急着上生产，小数据集要补的是针对性采集和难例循环。
2. 数据集构成和标签规范：357张图里藏着哪些容易误判的细节
2.1 警察/非警察二分类在目标检测里的定位
这个任务在检测模型里属于「场景约束较强的小类别目标识别」。它和人脸检测、车辆检测这类通用任务有一个关键区别：判断依据不是目标本身的几何形态，而是目标身上的一组属性特征——制服颜色、反光背心、警用装备、甚至佩戴的执法记录仪。这意味着模型学习的是一个「属性组合」，而不是「物体形状」。说人话就是，模型对单张图的纹理敏感性极高，对光照、拍摄角度、目标姿态非常挑剔。同样的一个人，穿常服时模型可能判断为「非警察」，穿警服执勤时判断为「警察」，这是完全合理的——因为训练标签本身就定义成了「以视觉特征为准」。
这带出一个对后续训练影响很大的结论：你不能用通用目标检测的思维方式去期待这个模型。它不会「认出」警察这个职业，它只会认出「看起来像执勤民警的视觉组合」。这一点决定了数据标注阶段的所有规则。如果标注者把穿着便衣、但处于执法场景的警察标成「警察」，模型会学到一批互相矛盾的纹理特征，推理时必然翻车。
2.2 357张图的目录结构、图片规格和标注承载
拿到这套数据后，第一步不是急着训练，而是盘清楚目录和标注格式。常见做法是，这类带标注的数据集会按以下结构组织：
police_dataset/ ├── images/ │ ├── train/ # 约250张 │ └── val/ # 约100张（也可能混在一个目录里，自己划分） ├── labels/ │ ├── train/ │ └── val/ ├── classes.txt # 类别定义 └── dataset.yaml # 供YOLO训练脚本读取的配置标注格式通常有两种承载：Pascal VOC的XML，或者YOLO的txt。区别在于YOLO格式存的是归一化的中心点坐标和宽高，XML存的是像素级左上角/右下角坐标。如果拿到的是XML，必须先转一次格式再进训练流程。
图片规格方面，357张这个量级，拍摄来源很杂——可能有监控截图、手机拍摄、新闻照片，尺寸差异会非常大。我建议先跑一个统一脚本，把所有图的分辨率、通道数、EXIF信息列出来，重点看有没有灰度图、有没有PNG带Alpha通道的图。YOLO训练管线内部会做resize，但灰度图和格式不统一的图会导致数据加载器报错，这类问题在几百张图的小数据集上尤其烦人，因为报错信息会掩盖在训练日志里。
# 检查数据集完整性的脚本片段 import cv2 import glob from collections import Counter imgs = glob.glob("police_dataset/images/*/*.jpg") + glob.glob("police_dataset/images/*/*.png") size_counter = Counter() bad_files = [] for img_path in imgs: img = cv2.imread(img_path) if img is None: bad_files.append(img_path) continue h, w = img.shape[:2] size_counter[(w, h)] += 1 print("异常文件：", bad_files) print("常见尺寸分布：", size_counter.most_common(10))这段代码的逻辑很简单：遍历所有图片，读取失败的文件直接计入黑名单，然后把所有图的尺寸做成分布统计。参数和逻辑上值得注意的点是，cv2.imread读到None说明文件损坏或者不是合法图片编码，这类文件必须清理；尺寸分布的价值在于判断原图是否来自同一批采集设备——如果出现五六个完全不同的宽高比，说明数据来源混杂，训练时要认真做随机裁剪增强，否则模型会过拟合到特定构图。
2.3 标签检查：越小的数据集越要在转换前把标注「洗干净」
小数据集的训练效果，60%取决于标注质量，这是玄学之外的真实比例。357张图、每张1到3个目标，总数可能不足800个标注框。这个量级下，任何一个坏框都会对模型产生肉眼可见的影响——它不像大规模数据集里能被其他样本「稀释」掉。
首先要做的是「统计标注偏置」。我一般会把所有标注框的宽高比拉出来看一下，这会直接暴露标注人员的习惯：如果一个标注员习惯把警察的整个身体连同周围半米都框进去，另一个只框躯干，模型学到的锚框匹配差异就会很大。YOLO系列的anchor匹配对宽高比变化有一定容忍度，但800个框里20%是异常比例框的话，训练时的正样本质量会跟着崩。
我把检查逻辑整理成一个标准流程：
- 解析所有标注文件，统计每个类别的框数量，看类别是否失衡。警察框只有100个、非警察框却有600个，这种分布要用类别权重或者focal loss相关配置去调。
- 检查框是否越界。YOLO格式的坐标是归一化的，框的x、y、w、h理论上都在0到1之间，但有些标注工具导出时会把坐标算成负数或者超过1，这类box在训练时会被自动裁剪或忽略，表现为「莫名其妙少了一部分目标」。
- 检查空标注文件。「图片存在但标签文件里没有任何框」的情况经常发生，导致模型把整张图当背景训练，这对小数据集是真实的伤害。
# 标签文件质量检查脚本 import os label_dir = "police_dataset/labels/train" class_counts = {"police": 0, "civilian": 0} empty_labels = [] out_of_bound = [] for f in os.listdir(label_dir): if not f.endswith(".txt"): continue lines = open(os.path.join(label_dir, f)).read().strip().splitlines() if not lines: empty_labels.append(f) continue for line in lines: parts = line.split() cls = int(parts[0]) x, y, w, h = map(float, parts[1:]) if x < 0 or y < 0 or x + w > 1 or y + h > 1: out_of_bound.append(f) if cls == 0: class_counts["police"] += 1 else: class_counts["civilian"] += 1 print("空标注文件：", empty_labels) print("越界标注文件：", out_of_bound) print("类别分布：", class_counts)这个脚本在进入训练之前必须跑，而且要看具体数值而不只是有无异常。举个例子，越界标注可能是标注工具精度问题导致的x+w=1.0001，这类对训练影响不大；但如果是x=0.5、w=0.8这种，说明标注框中心点算错了，对应的目标框有一大半在图片外，模型学的就是一个残缺特征。怎么判断？打印出具体的越界数值，微小的浮点误差可以手工忽略，结构性的越界必须修正。
3. 把标注数据落到YOLO的训练格式：转换脚本与数据集划分
3.1 标签格式转换：VOC XML转YOLO txt的完整脚本
刚才提到，这套数据集的标注可能是XML格式。YOLO系列训练统一吃txt格式，每行一个框，格式是「class_id x_center y_center width height」，全部归一化到0-1区间。如果你拿到的数据已经内置了YOLO格式的labels目录，这一步可以直接跳过；否则需要自己写转换。
这里我要说一个实际场景：数据标注团队交付的时候，很多只交付XML或JSON，不会自动帮你转好YOLO格式。用labelimg这类工具标注出来的就是XML，用labelme标注出来的是JSON。JSON转XML再转YOLO会丢失坐标精度吗？不会，因为标注框本质上是矩形的四个坐标点，转来转去只是表现形式不同，但转换过程中的坐标换算公式必须写对，特别是归一化的分母是原图宽高。
# VOC XML 转为 YOLO txt 格式 import xml.etree.ElementTree as ET import os def xml_to_yolo(xml_file, out_dir, class_map): tree = ET.parse(xml_file) root = tree.getroot() img_w = int(root.find("size/width").text) img_h = int(root.find("size/height").text) yolo_lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in class_map: continue cls_id = class_map[name] bbox = obj.find("bndbox") x1 = float(bbox.find("xmin").text) y1 = float(bbox.find("ymin").text) x2 = float(bbox.find("xmax").text) y2 = float(bbox.find("ymax").text) x_center = ((x1 + x2) / 2) / img_w y_center = ((y1 + y2) / 2) / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h yolo_lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") out_name = os.path.basename(xml_file).replace(".xml", ".txt") with open(os.path.join(out_dir, out_name), "w") as f: f.write("\n".join(yolo_lines)) class_map = {"police": 0, "civilian": 1} # 与数据集classes.txt保持一致 xml_dir = "annotations_xml" out_dir = "labels_yolo" os.makedirs(out_dir, exist_ok=True) for f in os.listdir(xml_dir): if f.endswith(".xml"): xml_to_yolo(os.path.join(xml_dir, f), out_dir, class_map)这段脚本有几个参数需要按实际数据调整。class_map里的类别编号必须和后续dataset.yaml里的类别顺序严格一致，如果顺序错了，模型训练出来就是「警察被预测成非警察，非警察被预测成警察」这种灾难性映射。img_w和img_h是从XML里的size字段读的，不是从实际图片读的，如果标注工具和原始图片之间有任何一端做过resize，这里就存在偏差隐患——所以我在转换后通常会抽查10个框，把归一化坐标还原成像素坐标，在图上画框人工对比，确认位置没偏。
3.2 训练集与验证集划分：357张图不能简单按9比1
YOLO官方的训练习惯是train/val按91:9或9:1划分，这是建立在数据集规模上千的基础上的。357张图如果按9比1划，验证集只有35张、总共可能70个目标，算出来的mAP波动会非常大——模型这轮跑了0.85，下一轮同样的数据换一个随机种子变成0.72，你的「改进」到底是有效还是随机，根本无法判断。
我给小数据集的建议是：val集合控制在40到60张，train集合剩余。验证集太小，指标没有区分度；验证集太大，训练数据进一步萎缩，355张里抽掉100张成本很高。40-60张的验证集对357这个量级是性价比平衡点。
# 按目标数量约束划分训练/验证集 import os import random import shutil from collections import defaultdict random.seed(42) images_dir = "police_dataset/images/all" labels_dir = "police_dataset/labels/all" train_img_dir = "police_dataset/images/train" val_img_dir = "police_dataset/images/val" train_lbl_dir = "police_dataset/labels/train" val_lbl_dir = "police_dataset/labels/val" for d in [train_img_dir, val_img_dir, train_lbl_dir, val_lbl_dir]: os.makedirs(d, exist_ok=True) # 统计每张图片的目标数量 img_objects = defaultdict(int) for f in os.listdir(labels_dir): if not f.endswith(".txt"): continue lines = open(os.path.join(labels_dir, f)).read().strip().splitlines() img_objects[f.replace(".txt", ".jpg")] = len(lines) # 目标多的图优先划入训练集 sorted_imgs = sorted(img_objects.keys(), key=lambda x: img_objects[x], reverse=True) random.shuffle(sorted_imgs) # 打乱顺序但不改变相对分布 val_imgs = set() val_target_count = 80 # 期望验证集里累计约80个目标 cur_count = 0 for img in sorted_imgs: if cur_count >= val_target_count: break val_imgs.add(img) cur_count += img_objects[img] for img in sorted_imgs: img_src = os.path.join(images_dir, img) lbl_src = os.path.join(labels_dir, img.replace(".jpg", ".txt")) if img in val_imgs: shutil.copy(img_src, os.path.join(val_img_dir, img)) shutil.copy(lbl_src, os.path.join(val_lbl_dir, img.replace(".jpg", ".txt"))) else: shutil.copy(img_src, os.path.join(train_img_dir, img)) shutil.copy(lbl_src, os.path.join(train_lbl_dir, img.replace(".jpg", ".txt")))这段代码的思路是「按目标数而非图片数划分」。357张图里，有的图只有1个目标，有的图有5个以上目标，如果纯随机划分，可能验证集拿到30张图却只含60个目标、训练集拿到327张图但目标密度更高，最终指标失衡。麻烦点在于：统计目标数需要先读标签文件，然后按目标数降序排列后，从目标多的往目标少的做「配额制」取样。这里的val_target_count=80是可以按需调整的，如果你的验证集需要保持类别平衡（警察、非警察各40个框），可以进一步细化为按类别配额取框。
3.3 dataset.yaml 的写法：二分类任务的关键配置项
YOLO系列训练必须要有一个数据集配置文件，指向图片目录和类别名。这个文件写得不对，后面的训练命令再标准也白搭。
# police_dataset.yaml path: /home/user/police_dataset # 数据集根目录 train: images/train val: images/val nc: 2 names: 0: police 1: civilian重点说明几个容易出错的参数：path最好用绝对路径，相对路径在部分YOLO版本里解析会出问题，报错还比较隐蔽，只提示「No labels found」让你以为是标签格式错了，实际是目录没找到。nc: 2是类别数，必须和标签文件里出现过的class_id最大值+1相等。names里的顺序就是标签文件里数字编号的顺序，这个错位过一次就会在输出结果里看到「predicted: civilian」但画出来的框明明在警察身上的诡异情况，其实是names配错了，不是模型学错了。
4. 训练参数配置与命令：357张小样本如何防止过拟合
4.1 从头训练还是迁移学习：这题只能选迁移
357张图，无论新YOLO版本的网络能力多强，从头训练都注定是灾难。目标检测的Backbone（比如CSPDarknet系列）里有大量卷积层，这几百万个参数在没有预训练的情况下学不完——你的训练轮次可能只跑了50轮就开始过拟合，但val精度一直上不去，因为Backbone还没有建立基本的纹理表征能力。
所以顺序应该是：先下载预训练权重（COCO上的80类7.7万张训练图），然后冻结Backbone层，只训练检测头；等检测头的损失曲线开始收敛了，再解冻Backbone，用很小的学习率做全量微调。有人把这条路戏称为「后悔药流程」，因为你有一次机会可以在过拟合之前回退到冻结阶段的权重，重新调节参数。
4.2 训练命令与关键超参：epoch、batch、imgsz的取舍
# 冻结Backbone阶段的训练命令 yolo detect train \ data=police_dataset.yaml \ model=yolo12n.pt \ epochs=80 \ batch=8 \ imgsz=640 \ freeze=10 \ lr0=0.005 \ optimizer=AdamW \ patience=15 \ project=runs/police \ name=stage1_frozen这个命令的freeze=10指的是冻结模型前10层，对YOLO系列而言基本覆盖了Backbone的大部分卷积块。batch=8在357张图的数据集上已经是合理值，显存不够就往下调到4或者2，不要用更大的batch，小数据集里大batch会导致BN层的统计量不稳定。patience=15表示连续15轮验证集指标不提升就早停，对小数据集是有保护作用的——防止你出门吃饭回来模型已经过拟合到MaP又掉下来了。
参数上容易踩坑的是imgsz。很多人为了保留小目标信息把imgsz拉到1024甚至1280，这在357张图上是有代价的：图片越大，模型注意力越容易专注在背景细节上，而你的背景样本只有357张图的量，过拟合会更快到来。我建议640起步，如果验证集mAP确实低，再尝试一次960做个对比实验，前后各花一晚上训练时间，不值得再高。
在解冻微调阶段，训练命令调整为：
# 微调阶段：解冻Backbone，小学习率全量微调 yolo detect train \ data=police_dataset.yaml \ model=runs/police/stage1_frozen/weights/last.pt \ epochs=40 \ batch=4 \ imgsz=640 \ lr0=0.0005 \ freeze=0 \ optimizer=AdamW \ patience=10 \ project=runs/police \ name=stage2_finetune微调阶段的lr0从0.005降10倍到0.0005，这是为了不破坏已经学到的Backbone特征。batch从8降到4，因为全量微调时BN统计量对所有层都要更新，小batch下梯度噪声更大，反而能在这类小数据集上起到正则化作用。这个两阶段流程的核心逻辑是：先让检测头在Ground Truth上学会「哪里有人、这个人的框多大」，再让整个网络在很低的梯度扰动下适应「穿制服的到底是哪个类」。如果直接用单阶段训练，检测头和Backbone互相拉扯，357张图根本撑不到收敛。
4.3 数据增强参数的调节：小数据集的「伪造样本」
YOLO系列训练默认打开mosaic增强，把4张图拼成一张喂进去。这个增强对通用数据集是福音，但对「警察/非警察」这个任务有个副作用：4张图拼接后，图中的警察可能被裁掉一半、或者和非警察在边界处重叠，导致标注框内容混乱。关键是这样引起的漏检你很难归因到数据增强，因为训练日志里loss是正常的。
我一般会在YOLO的配置文件里做针对性调整，把mosaic的比例降下来，同时提高平移和旋转增强：
# augment.yaml 训练增强参数调整 mosaic: 0.3 # 默认1.0，降到0.3 mixup: 0.1 translate: 0.2 # 轻微平移增强 scale: 0.3 fliplr: 0.5 # 左右翻转 hsv_h: 0.01 # 色调微调，制服颜色不应当被大幅改变 hsv_s: 0.3这个配置的核心逻辑是：警察识别依赖制服颜色和纹理，hsv_h色调扰动必须压到0.01，否则模型会把「蓝色」和「黑色」混为一谈；而平移增强开0.2可以有效缓解小数据集里目标总是居中的偏置——因为采集照片时拍摄者习惯把人物放在画面中心。mosaic: 0.3的意思是30%的batch用拼接图，剩下70%是完整原图，保证模型能学到完整的目标形态而不是经常看到拼接缝。
5. 实战避坑：357张警察数据集训练中最常见的5个问题
5.1 训练loss正常下降但验证mAP几乎为0：标签和图片没有对上
现象：loss从3.5降到0.8，看起来一切正常，但验证集每一张图的预测结果全部是背景，mAP在0.01附近打转。
原因：图片文件名和标签文件名对不上。常见的是标注工具导出的图片是IMG_001.JPG，标签文件转换时被统一改成了小写img_001.jpg，在Linux服务器上这两个文件指向同一张图吗？指向的，因为大多数代码用glob去匹配时大小写不敏感；但在YOLO的数据加载器里，它是用图片路径去替换后缀找标签文件，大小写不一致直接导致标签加载不到，模型拿到的全是「背景图」。
解决：用脚本遍历labels目录和images目录，把两边文件名做严格一致性校验。习惯做法是全部统一为小写、统一后缀。这个坑在Windows上开发、Linux上训练的工作流里尤其常见，本地跑通、上服务器翻车。
5.2 训练到第60轮mAP突然掉到0.6以下：BN统计量崩溃
现象：前50轮val mAP稳定在0.82，第55轮之后开始掉，掉到0.6以下，再训不回去。
原因：小数据集里batch size很小，BN层在每轮更新时统计的均值方差波动很大；加上最后一个epoch里patience不高、模型还在持续更新，BN统计量被少数几条难样本带偏。这和热词里经常提到的「yolo训练中bn崩溃」是同一个问题。
解决：训练结束后不直接用最后的权重，而是用训练过程中在验证集上表现最好的那一轮权重重新跑一次「测试模式」推理。YOLO命令行里可以指定model=runs/police/stage2_finetune/weights/best.pt，它会用eval模式和固定BN参数推理，指标会回升一部分。如果还不行，训练完用全部train数据做一次短迭代重估BN统计量，这个操作在Ultralytics框架里可以通过训练时带上--eval-final相关参数控制。
5.3 验证集指标高但实测视频里疯狂漏检：小目标+密集场景失效
现象：mAP50有0.84，验证集抽查也都框得准，但真实监控画面里一米开外的警察目标直接漏掉。
原因：357张训练图里目标占比基本都在10%以上（近景大头照），模型没见过「远景小目标」这种尺度的特征表达。mAP50这个指标本身就比较宽容，它允许预测框和真实框有50%的IOU就算命中，而真实场景的mAP50高并不能说明检测框足够精准。
解决：有两种路径，一是给训练集做尺度增强——把缩放到一半尺寸的图也混进训练集，让模型在训练阶段见过小尺度目标；二是降低推理置信度阈值，从0.25降到0.15，如果随之而来的误检率不高，说明模型对远景目标只是不自信而不是完全没识别。这个选择的判断依据是看置信度分布：大量漏检目标的置信度集中在0.2-0.35区间，说明阈值卡太严；如果集中在0.05以下，说明模型根本没学会到这个特征，只能补数据。
5.4 混淆矩阵输出总和对不上：val标注文件里存在不合规数据
现象：打印混淆矩阵时，横纵坐标的数值加总后不等于验证集真实目标数，差了几个。
原因：验证集标签文件里存在坐标归一化后超出0-1范围的框，或者类别的class_id超过了nc定义范围。YOLO的评估流程遇到超界坐标会报warning然后跳过；遇到超范围class_id会直接排除该条标注。这几个被「悄悄扔掉」的框正好是模型预测失败的那几个，混淆矩阵右上角的漏检格就会比预期少。
解决：评估前把训练和验证的标签文件全部重新过一遍检查脚本，把越界坐标和非法类别ids打印出来并修正。这个坑的隐蔽性在于它不影响训练——训练时标签错误只是当作噪声学习了；但评估时的数据入口有严格校验，两边行为不一致导致了「训练正常但评估数据异常」。
5.5 两类别样本严重失衡：civilian类目标数量是police的6倍
现象：只标注了警察和两名路人，某张图里路人15个、警察1个，训练时loss完全被civilian主导，police类mAP很低而civilian类mAP很高。
原因：标注时把画面里所有非警察的人都标成了civilian，而police只标了少数中央目标。这在「警察/非警察」二分类任务里是常见做法，但会导致类别失衡——如果不调整，模型对civilian类习得的特征足够丰富，对police类的特征则匮乏。
解决：训练时配置cls=1.5或更高，把分类损失权重加大，强迫模型更重视police类。更根本的做法是数据清洗时做目标数量统计，把civilian目标数控制在police的2-3倍以内，超出部分通过主动放弃部分标注框（或者只保留画面中显著的civilian目标）来调节。注意这不是为了「作弊」，而是让模型能在有限样本里学到两个类的决策边界，而不是被高频类带偏。
6. 用小数据集把模型做到能验证和落地的最后一步
数据集只有357张，训练流程走完后，理性的做法不是追求把mAP刷到0.95，而是把这个模型的「可信边界」摸清楚。我给自己的工作流是：用验证集上效果最好的best.pt权重，挑20到30张没参与训练的真实场景图（可以是自己手机拍的、同事提供的监控截图、或网上搜到的现场照片），统一缩放到训练时的imgsz尺寸，逐张人工检查预测结果——重点不是看框准不准，而是看两类错误的分布：哪些是警察没框出来、哪些是路人被误框成警察。
这两个错误在生产里性质完全不同。警察漏检是「漏报」，可能引发责任事故；路人误检是「误报」，最多增加复核成本。如果你的验证集里漏报占比超过20%，这个模型还不适合独立运行，至少要加一道人工复核环节；如果误报偏多，可以通过调高置信度阈值到0.4再测一轮，误报会明显减少，漏报增加幅度不大。
我个人的习惯是给这类小数据集模型做一个「固定场景冒烟测试」：挑一个模型表现最好的日间场景录30秒视频，跑一遍推理，把每一帧的置信度、检测框数量、类别分布全部打点记录下来。然后对比这30秒里出现过的警察姿态变化——走路、背对镜头、低头、骑车。如果背对镜头和骑车这两种姿态下检测框置信度明显低于平均水平，那这就是下一步采集数据的方向：专门补背部和骑行的正样本。357张起点不高，但把难例分清楚再采集，新数据只要50张就能把短板补上一大截。
这个习惯帮我避免过很多次「实验室指标好看，现场一上就露馅」的翻车。最后还有一句：如果你打算把这个方向做深，建议不要把标注工作一次性花完，留30张左右的图作为未知测试集，永远不要进训练流程。这是你检验后续任何一次优化是否真的有进步的唯一裁判。希望帮到你。
本文还有配套的精品资源，点击获取