如何添加负样本能提升YOLO目标检测模型的性能?

如何添加负样本能提升YOLO目标检测模型的性能?

我们在此期间，还做了一次试验：想要通过增加大量空标签的负样本来提升模型识别的泛化性能。
我们把169张负样本加入28张正样本中，重新进行模型训练。
训练集：169张负样本+28张正样本
测试集：与训练集相同
训练中，我们查看显存占用：
GPU型号：3090
显存占用：3016 MiB（占用不到3G显存）
总显存： 24576 MiB
空闲显存：21560 MiB
训练效果：

看起来损失函数、准确率、召回率波动很大，盲猜初始学习率设置可能偏大了，把学习率从原来的0.005，调小到0.0001，代码修改如下：

from ultralytics import YOLO  # 注意这里是 YOLO，不是 YOLOWorld
# 加载 YOLOv8n 模型（标准目标检测模型）
model = YOLO('yolov8n.pt')  # 这是官方 YOLOv8n 检测模型

# 开始训练
results = model.train(
    data=r"./ad.yaml",      # 你的数据集配置文件
    epochs=10000,             # 训练 100 轮
    imgsz=640,              # 输入图像尺寸
    lr0=0.0001               # 初始学习率（你可以根据需要调整）
)

训练效果如下：

见效不大，看来不是这个问题，直接增加大量负样本貌似达不到好的效果，从推理结果来看，采样查看显示，所有采样推理样本的置信度均大幅下降。

---

训练集放负样本，
训练集：169张负样本+80张正样本
测试集：80张正样本

训练集和测试集中都加入负样本会让训练结果看起来比较差，这怎么理解呢？
训练集中加入负样本，测试集不加入，中间过程会看起来评价指标震荡较大，但最终的测试机评价效果基本一致。
目前的模型中，我认为训练集加入了负样本但测试集没加负样本的模型是最佳模型。