請問您是否忘了把命令中「中文字」的部份改成您Windows中的真正路徑名稱了呢？或者你是使用2020或2021版本的OpenVINO造成不相容的問題？ 由於這篇文章年代較久了，OpenVINO已進展到2021.4 LTS版本了，舊的範例可能無法對應新的版本，建議您可參考下列兩個網址的範例 https://docs.openvinotoolkit.org/latest/omz_demos_instance_segmentation_demo_python.html https://docs.openvinotoolkit.org/latest/omz_demos_segmentation_demo_python.html 如果這兩個範例仍不容易理解，那也可以參考我在Github上開源的幾個範例，這些範例可直接在Google Colab上直接執行OpenVINO及範例，很方便學習。 其中Colab_OpenVINO_Sound_Segmentation.ipynb較為接近此篇文章的用法。 https://github.com/OmniXRI/Colab_DevCloud_OpenVINO_Samples
一般資料集會分為訓練集、驗證集及測試集，60000筆只拿了50000筆來訓練及驗證，所以一個Epoch才會只有50000。 若你只出現1250，建議你檢查一下關於訓練相關的設定值。 另外我最近有寫一篇新的Yolov4自定義資料集物件偵測文章可參考一下。 https://omnixri.blogspot.com/2021/05/google-colabyolov4-tiny.html ps. mnist是影像分類不是物件偵測。
訓練若已收歛，或說LOSS已低過某過數值，就會停止。資料集過少，的確有可能產生過擬合現象，提早結束。但實際狀況仍需以錯誤訊息為主。
在影像辨識中最重要的是建立良好的已標註資料集，不管是影像分類還是物件偵測，如果一般人看到一張照片都分不出來是那個分類，那就不要為難電腦了，因為在標註上肯定會出狀況。 一般要有好的辨識結果模型雖很重要，但大部份問題還是會出在資料集及標註，若資料集大小太小（只有幾百張）或分類極不平均時，通常不會得到太好的成果。 如果反過來從網路上收集大家拍過的八景照片，或許能更明確指出分類重點為何，同時也被清楚標註，那資料集一多，才有討論模型辨識能力的空間。
資料集越多越好，且要多樣性（不同視點、光照等），通常要數千張才會有較理想訓練結果。 有時沒這麼多（只有數十張）可採資料擴增(Data Augmentation)或改以遷移學習(Transfer Learning)方式處理，但和本範例方式做法不同，須另外參考其它人的文章。 另外訓練時一定要一起訓練，目前常見的模型多半都不支援分成多個部份訓練後再組合。
請問您是否忘了把命令中「中文字」的部份改成您Windows中的真正路徑名稱了呢？或者你是使用2020或2021版本的OpenVINO造成不相容的問題？ 由於這篇文章年代較久了，OpenVINO已進展到2021.4 LTS版本了，舊的範例可能無法對應新的版本，建議您可參考下列兩個網址的範例 https://docs.openvinotoolkit.org/latest/omz_demos_instance_segmentation_demo_python.html https://docs.openvinotoolkit.org/latest/omz_demos_segmentation_demo_python.html 如果這兩個範例仍不容易理解，那也可以參考我在Github上開源的幾個範例，這些範例可直接在Google Colab上直接執行OpenVINO及範例，很方便學習。 其中Colab_OpenVINO_Sound_Segmentation.ipynb較為接近此篇文章的用法。 https://github.com/OmniXRI/Colab_DevCloud_OpenVINO_Samples
一般資料集會分為訓練集、驗證集及測試集，60000筆只拿了50000筆來訓練及驗證，所以一個Epoch才會只有50000。 若你只出現1250，建議你檢查一下關於訓練相關的設定值。 另外我最近有寫一篇新的Yolov4自定義資料集物件偵測文章可參考一下。 https://omnixri.blogspot.com/2021/05/google-colabyolov4-tiny.html ps. mnist是影像分類不是物件偵測。
訓練若已收歛，或說LOSS已低過某過數值，就會停止。資料集過少，的確有可能產生過擬合現象，提早結束。但實際狀況仍需以錯誤訊息為主。
在影像辨識中最重要的是建立良好的已標註資料集，不管是影像分類還是物件偵測，如果一般人看到一張照片都分不出來是那個分類，那就不要為難電腦了，因為在標註上肯定會出狀況。 一般要有好的辨識結果模型雖很重要，但大部份問題還是會出在資料集及標註，若資料集大小太小（只有幾百張）或分類極不平均時，通常不會得到太好的成果。 如果反過來從網路上收集大家拍過的八景照片，或許能更明確指出分類重點為何，同時也被清楚標註，那資料集一多，才有討論模型辨識能力的空間。
資料集越多越好，且要多樣性（不同視點、光照等），通常要數千張才會有較理想訓練結果。 有時沒這麼多（只有數十張）可採資料擴增(Data Augmentation)或改以遷移學習(Transfer Learning)方式處理，但和本範例方式做法不同，須另外參考其它人的文章。 另外訓練時一定要一起訓練，目前常見的模型多半都不支援分成多個部份訓練後再組合。