训练集可以采样到2000张目标图片，但是实际在线上服务的模型需要面对2000万数据，而这两千万数据里面大概只有10张左右需要检测的物体，针对这种极端的情况如何降低误召？ 我目前使用的检测是yolov5
补充说明：
误检和漏检都不希望，只能是取平衡，现在2000万数据我可以召回，1000张图片，里面真正是目标的大概只有1-5张，肯定还是有漏的，但是现在来看主要还是先把误召降下来，关于阈值，已经是做过卡分的，但是有个现象是针对这种极端数据，一些目标的分值也就是0.5-0.6，分值高了确实召回会变少，但很容易就全是误召了。 （我做过几次迭代，就是把误召的数据加进训练集，因为v5的mosaic增强，会减少一定误召了，已经是从2w的误召减少到2000了，但是还是希望进一步提升）
#人工智能 #yolov5 #目标检测 #稀疏数据
实际样本分布是极度失衡的情况下，可以通过牺牲一定比例检出率降低误召回，也就是这10张我最终有可能只能识别出5张，误召回可以从2000张降低到20或者更少达到一定""平衡""。建议不要只用一个目标检测网络，可以后面加一个分类网络，分类数据中负样本要足够多样，可以大量检索误报背景加入负样本类别，训练时也要按照失衡比例训练，负样本可以是正样本20倍或者更高