图像分类效果不好原因分析

重要的insight：

fine tune样本处理原则：译自 https://www.tensorflow.org/hub/tutorials/image_retraining

1，每类别至少100张图片。越多精确度越高。图片需要有代表性，与最终应用场景中模型的输入图片接近。

2，每个类别下的图片需要有代表性，否则训练过程中模型会提取与类别无关的内容，比如一些背景信息。所以最好使用尽可能多的场景下的不同设备所拍摄的图片。

3，其他值得做的：

1）把大类分成小类（视觉上独立的小类），如把交通工具分为：小汽车、卡车等

2）处理背景问题（close world and open world）

3）去除错误标记的样本

其他：

数据集划分：训练80%，验证10%，测试10%

难样本：

逐个查看测试集上分错的样本，找出模型难以分类的图片类型和难以区分的图片类别，比如：某些类别的子类，某些特殊的拍摄角度。增加这些子类对应的训练样本。同时发现输入数据集的问题࿱