您可以使用 TensorFlow 对象检测API。

在 API 中，您不必有 2 个或更多标签。它只能与一个标签一起使用。通过将图像转换为 tfrecord，您可以训练和预测其他图像。预测将为您提供边界框和将物体识别为车辆的概率。

这里的挑战是在图像上标记对象位置。LabelImg是一个很好的工具。

希望能帮助到你！

如果为您的图像创建分类器是您的最终目标，那么您可以简单地获取一些非车辆的图像。

要么下载 Imagenet、CIFAR 等图像数据集，要么下载像狗、花等非车辆的样本图像。只要确保包含足够多的类别和大约 1000 张图像。

或者您可以直接从互联网获取数据，例如。使用网络爬虫

我建议从现有数据集中采样。

您可以尝试使用预训练模型并获取输出。您可能需要应用降维，例如 PCA，以获得更易于管理的尺寸输入。之后，您可以训练新奇检测模型来识别输出是否与您的训练集不同。

另一种方法是使用自动编码器。所以这个想法是，如果测试图像与训练集“相似”，那么网络在重建输入时将没有问题，因此重建损失会更低。但我认为问题可能是缺乏训练数据，因为我相信 1000 对您的网络来说很小，无法概括车辆的概念，但谁知道您是否不尝试。

猜想 ImageNet 中已经有vehicle标签，所以最简单的方法是根本不训练任何东西。您还可以轻松地从网络上删除两者vehicle和non-vehicle图像。检查这篇文章。1k 图像对于训练 DNN 来说有点太少了。特征空间是超维的，所以你需要更深层次的东西，这意味着你的净容量会增长。使用少量数据进行训练会导致过拟合。还尝试大量增加您的数据集。您可以轻松地将其放大两个数量级。