300張夠嗎

謝邀！

四類？你沒有具體說明哪四類啊？

如果這四類判別性很強，而且源數據都具有判別行，我覺得３００張足以。

有一篇文章不知道你看沒，訓練ＣＮＮ不一定要大量數據，但是這個還是要結合具體場景具體討論，謝謝！

小弟不才，望採納！

求實驗結果，我也好奇多少張能出比較好的效果

用遷移學習，300張應該能有不錯的效果

憑小編多年來喫蘋果的經驗，應該是不夠的，每一類，大小/顏色/形狀可以有太多種情況，而正常果表面也會有很多種情況，300張搞出來的p-r總有一頭不太好。

不過，要是實際收到果子的腐爛情況比較集中，也就是樣本方差不會那麼大，那300張出來的效果應該能接受了。

fine tune的話最低每類可以只有極具特徵的幾十張。

可以考慮用一些few-shot的方法。

參考ImageNet，1000類，每類1000張，top-1的準確率在87%左右；參考CIFAR10，10類，每類5000張，top-1準確率在95%左右。個人猜測每類300張最後top-1準確率會在80%左右，這是從頭訓練；如果用遷移學習會提升一點，再加點數據增強會再提升一點。考慮到你這個場景，其實這四類有點細粒度分類的意思，畢竟都是蘋果，如果直接用普通的分類網路可能準確率比上面說的還會要低一點。總之數據是不嫌多的，越多越好

推薦閱讀：
相關文章