TLDR;Вам не нужно предоставлять изображения без классов.
YOLO делит выходные данные на отдельные ячейки сетки, и каждая ячейка сетки имеет один или несколько основных значений якорных ячеек для каждой ячейки, каждая из которых прогнозирует выходные значения для класса объектов vs "nonobjectness ".
Поскольку большинство изображений не содержат объектов в каждой ячейке сетки, естественным образом научится распознавать" нет объектов ".
На самом деле, обычно существует дисбалансслишком много якорей без объекта и слишком мало с реальным объектом.Вот почему YOLO использует функцию совместной потери, которая уменьшает вес отрицательных примеров λ_noobj = .5
Другие подходы, такие как SSD, используют «жесткую отрицательную добычу», чтобы уменьшить количество отрицательных примеров и устранить дисбаланс.
Единственное исключение, которое я могу придумать: если во всех ваших учебных примерах много объектов по всему полю зрения (например, толпы, пробки и т. Д.), То вам может потребоваться включить некоторые обучающие примеры без объектов.
Другое исключение состоит в том, что если ваши объекты всегда появляются в одной и той же ячейке сетки (например, в центре), то вам могут потребоваться некоторые чисто отрицательные примеры или использовать увеличение данных для генерации примеров с объектами, появляющимися в разных местах.