感觉就是如果基于这样的数据集，如果想要做出更好的效果的话，就可以试着画出anchor，但是怎么得到训练集的垃圾坐标的xyxy也有点难度，想过用图像语义分割把目标的轮廓搞出来，然后用边界值思想去get它的xyxy，但是没试过，不知道可行性咋样

anchor-free？

如果用分类模型做，一张图片只能分一类。

用检测模型做，就得标注数据。

标注部分数据的话，也有半监督方法

我对anchor-free的理解也挺模糊的，请问就是指训练不需要框出目标对象的模型嘛?

大佬，你说的半监督方法是啥呢，可以稍微提点下嘛

读过帖子上的介绍，一些算法可以不用标注全部数据。

或者是在原有标注好的数据集基础上，通过添加大量未标注数据能够提升模型精度。本质和标注部分数据是一回事

大略了解了一下思路就是：模型找到了一种衡量未标注数据的方法改进了损失函数。

可以百度下，半监督分类，半监督目标检测之类关键字

一个图片对应一个类别结果，你做的这个项目确实就是分类任务了，而yolo是用在目标检测任务上，不适合在这里用。

至于分类模型，其实分类模型大部分就是目标检测的主干网络，你可以去查查哪些主干网络性能不错，像resnet的一些变种网络ResNeXt，还有其他类型的Stacked Hourglass Networks等等，这里面实在太多，我也说不好。

你的数据格式一般只能用来做分类任务，一张图片做多种垃圾检测的话，是多标签分类任务（一张图片输出多种垃圾类别），你可以再搜搜这一块。

如果你还想要位置信息，要么自己标注，要么就只能尝试前面人说的半监督那些方法了，效果我不知道，但是难度会高一些。

好的，谢谢啦

嗯嗯，好的，我自己再去了解尝试下

我感觉这是分类？

anchor-free对数据集的要求和yolo是一样的啊？

其实这是一个比较尴尬的点，像opencv这种，其实有时候轮廓已经提取的不错了

但是只是提取轮廓，却不知道“它”是什么

图像分类大概知道“它是什么”，但是要变成检测任务还要付出不小的标注成本

还有一种做法可以低成本改成检测任务，但目前还比较复杂，就是手动标注少量的图片，然后给目标检测模型训练，自动标剩下的再来调整