训练一个识别模型需要多少张图？

"要多少张图才能训？"是我们被问频率最高的问题。这篇文章把答案、背后的逻辑和实操清单一次讲清。

一、先给结论

常见二分类场景（口罩、厨师帽这类着装识别），每类 200~500 张、总量 500~1000 张，通常就能达到 90% 以上的可用精度。检测类任务（鼠患、明火这类"找出位置"的识别）目标更小、背景更复杂，建议 500~2000 张。多分类任务（如果蔬品类识别）按类别数线性放大，每类不少于 150~300 张。

这些数字的前提是：迁移学习（基于预训练底座微调）+ 数据多样性合格。从零训练一个网络所需的样本量是另一个量级的故事，实践中不应该那么做。

二、场景样本量参考表

• 口罩 / 厨师帽 / 工作服等着装二分类：每类 200~500 张，总计 500~1000 张，1~2 天标注完成；
• 鼠患 / 明火等检测：正样本 300~800 张（含目标的不同大小与姿态），负背景图 500~1000 张，总计 1000~2000 张；
• 果蔬等多分类：30 类 × 每类 200 张 ≈ 6000 张起步；类别越多越要靠分批迭代；
• 稀有事件（明火这类真实样本难得的）：正样本可以靠采集模拟火源、公开数据集、数据增强补足，负样本（正常背景）反而要充足。

三、比数量更重要的是多样性

500 张同一台相机、同一时段、同一角度的图，不如 200 张覆盖不同条件的图。采集时对着六个维度检查覆盖：

1. 光照：白天/夜间、开灯/关灯、逆光/顺光；
2. 角度：安装视角的高低、目标的朝向；
3. 距离：目标在画面中的占比从大到小都要有；
4. 遮挡：部分遮挡的目标要占一定比例；
5. 个体：不同的人、不同的设备外观；
6. 时间：跨至少三天的样本，避免某天的特殊状态污染整体分布。

训练集与真实场景的分布越接近，上线效果越好。这也是我们始终建议"用现场摄像头采图"而不是"网上找图"的原因。

四、验证集划分：别自欺欺人

务必划出 10%~25% 作为验证集且不参与训练。平台在打包数据集版本时默认按分层抽样切分 train/val（固定随机种子，可复现）。两个常见错误：一是把验证集也拿去训练，指标虚高、上线打脸；二是验证集与训练集来自同一批连续抓拍，画面几乎相同——等于开卷考试。切分前先把"几乎相同"的连续帧合并，再切分。

五、现场采集清单

给到实施同事的采集建议：

1. 按部署点位逐一采集，每个点位至少覆盖两个时段（如上午/夜间）；
2. 连续视频抽帧时每秒不超过 1 帧，相邻帧太相似没有信息增量；
3. 采集后立刻粗筛一遍：模糊、过曝、无目标的直接删，省标注人力；
4. 命名或分目录记录点位与时段信息，后续分析误报来源时有用。

六、数据不够就先迭代

不必等"标够一万张"再启动：先用 500 张训练 v1，上线试运行收集 badcase，把识别错的图回流成新标注，两周后训出 v2。实践里 v2 比 v1 常见能提升 5~10 个百分点——因为 badcase 恰恰是模型最缺的样本。小步快跑的数据飞轮，远比一次性囤数据高效。

延伸阅读：置信度阈值怎么调、从 badcase 到新版本。