我想在我自己的交通场景数据（1k 图像）上微调在 KITTI 数据（7.4k 图像）上预训练的物体检测器（YOLOv5）。
KITTI 对象类只包含动态对象，而我的数据也有交通标志。 我尝试在我的数据上微调 KITTI 预训练权重，但训练数据中“汽车”类别似乎存在严重的类别不平衡——> 大多数对象都被预测为汽车。
有没有办法在小数据上克服这种类别不平衡？
一些想法：
在 YOLOv5 github 问题中，他们建议使用 weighted image sampling，但几乎每个图像中都有一辆车，因此该模型可能会在极少数图像上过度拟合。
标记所有 KITTI 图像以包括交通标志并混合数据。虽然这可能会稍微消除类不平衡，但该模型可能会过度拟合 KITTI 数据。我的数据具有相似的场景，但相机的内在特性不同（焦距、照明等）。为了解决这个问题，我可以实现一个加权采样器，为每个图像加载一个 KITTI 图像。
在损失函数中对类进行加权？但我不知道 YOLOv5 损失函数是如何工作的，我找不到任何人设法做到这一点。
收集和标记更多具有更少汽车的数据。这很乏味。
我可能会选择 2. 和 4. 但我很乐意听取您的建议。