1.如果你不是做通用的物体检测的话，请确定你的场景。在这个场景下尽量保证采集到的图片变化多一些（你也不想过拟合对吧！）。假如检测的是行人的话，不要只是一个模特沿着固定路线走来走去，尽量追求自然，不同的行人，不同的穿着。。。； 采集完图片，注意手动清洗，有些图片可能不包含你期望的目标物，你要将其删除。

2.如果你做的是通用目标物检测，可以从互联网上下载数据集，下载要随机，不能逮住一只羊薅羊毛，要博爱（试试不同的搜索引擎）。当然下完还得清洗，提出重复的，保证多样性。（这个工作量相对第一种情况会比较大）

你把这个事当做估计一种特定的概率密度函数，这个函数太复杂以至于很难用其他的简单函数来表征他。所以如何有效的估计概率密度函数就基本决定了你如何控制你的数据及采样过程。

1、标签一一对应，每个数据集的标签标号要一致不然会混淆（例如person：0；clothes：5；要保证训练集中的标签标号都是一致的）。

2、贴边规则 ：标注框需紧贴目标物体的边缘进行画框标注，不可框小或框大。

3、目标被遮挡也要标注，小目标也要标注，人眼可分辨的都需要标注。

4、人眼难以分辨的不要标。

5、重叠规则：当两个目标物体有重叠的时候，只要不是遮挡超过一半的就可以框的（遮挡范围需要根据算法识别情况制定），允许两个框有重叠的部分。如果其中一个物体挡住另一个物体一部分，框的时候就需要对另一个物体的形状进行脑补完整然后框起来即可。

6、独立规则：每一个目标物体均需要单独标框，比如：图中有三瓶水不能只标一个框，而是要将三个目标分别标框。

7、不框规则：图像模糊不清的不框，太暗和曝光过度的不框，不符合项目特殊规则的不框。

8、边界检查：确保框坐标不在图像边界上，防止载入数据或者数据扩展过程出现越界报错。

9、小目标规则：不同的算法对小目标的检测效果不同，对于小目标只要人眼能分清，都应该标出来。根据算法的需求，去决定是否启用这些样本参与训练。

10、小于10X10或者20X20像素的目标不方便标记可以忽略。

11、对与边界模糊、连片处理，标为一个样本框。

12、对于模糊、遮挡、有拖影的样本 最好单独建立样本库，有选择的启用。

13、宽高比 极端不是好样本。

看到有同学问：能不能举几个实际ignore的例子理解一下。

那举几个例子：

1. 如果你发现遮挡达到80%以上的vehicle或者模糊的vehicle，如果当正样本训练的话，loss收敛不了，那么就可以把这些原本是正样本的纳入ignore中，不参与训练。如果你确实不想把遮挡80%以上的vehicle召回出来，那么归入负样本。

2. 卡车上运载着的多层passenger car，不想把这种passenger car召回，那么可以把这些原本是负样本的纳入ignore，因为这些负样本显然和正常的passenger car的正样本特征存在一定矛盾。

3. 像bus这种，由于车身镜像的作用，就把旁边的vehicle照进来。

对于模糊、遮挡、有拖影的样本 最好单独建立样本库，有选择的启用

想用自己的数据集做目标检测，在采集数据时应注意哪些问题？ - 知乎  

第4讲 深度学习的基础实现流程_哔哩哔哩_bilibili

自训练数据集打标签注意事项及使用工具推荐_阿珂要努力呀的博客-CSDN博客