Точность и точность валидации классификации изображений с данными одного класса неверны и хотят это исправить

Question

Я создал программу классификации изображений, используя 32 изображения для поезда и 16 изображений для проверки с размером партии 16 и 10 эпох.

Я использовал ImageDataGenerator (rescale = 1. / 255) .flow_from_directory (путь к изображению и другие параметры) для изображений поезда и проверки.

Я хочу классифицировать изображения по 1 категории или по одному классу.

Но когда я компилирую программу с model.fit_generator (с потерей шарнира и используемым оптимизатором - 'rmsprop' и 'Adam') для модели keras sequential (), я получаю вывод: точность обучения и валидацииоколо 1 в 1-ю эпоху, а для остальных эпох поезд и валидация совпадают с точным 1.

Пожалуйста, пришлите ответ, как я могу исправить вывод точности поезда и точности валидации, начиная с 0,63 или аналогичногои постепенно увеличиваться в каждую эпоху по мере увеличения от 6% до 10%.

В качестве упоминания я хочу обучать и проверять изображения 1 или одного класса.

Пожалуйста, прокомментируйте, если вам нужно больше информации об этой программе.

Answer 1

32 изображения - это намного меньшее число для любой классификации изображений, учитывая, что вы используете глубокое обучение.
Таким образом, это поведение ожидается, так как у вас очень мало изображений, оно будет соответствовать всем изображениям в самой 1-й эпохе. Так что не будет постепенного прироста точности.
Добавьте больше изображений, если сможете, и попробуйте несколько методов увеличения, чтобы увеличить свой тренировочный набор. Кроме того, поскольку вы выполняете бинарную классификацию, вам также нужно будет включать отрицательные примеры (изображения, не принадлежащие вашему классу).