简短的回答：

您不需要负样本来训练您的模型。专注于改进你的模型。

长答案：

理想情况下，您的检测器在对您的 2 个对象进行训练后会检测到它们并在它们周围放置一个边界框。当您测试它并得到错误的结果时，这可能是由多种原因引起的：

1. 如果您的检测器只是被误解为属于您训练它的 2 个对象之一，则会检测到错误的对象。
2. 当您的 2 个对象的图像被扔到检测器但未检测到时，这也意味着您的检测器未能检测到您的对象。

当然，这两种情况都可能发生在同一张图片中，也可能发生不止一次。

据我所知，其中没有边界框的图像将是您的“负面示例”，当前模型无法处理，因为 tfrecord 阅读器只是失败了。

但是，负样本确实隐含存在。与边界框不对应的图像的所有区域都是“负样本”。通过在边界框中选择它们来明确定义“负样本”将创建一个名为“none”的新类。那时你将有 3 节课。

因此，为了更简单地关注你的正面例子。如果您的模型严重失败，则说明有问题。检查是否：

• 您的测试图像与经过训练的图像有很大不同。如果是这样，请尝试找到与您的测试图像相似的图像，并将它们与您以前的图像一起使用来重新训练您的模型。
• 检查您是否有足够的训练样本来训练您的模型。足够没有严格定义，但可能意味着至少有几百张图像。
• 检查您的训练模型是否包含来自两个对象的足够样本。如果不是，则与另一类相比，错误表示的类将很难检测到。
• 检查您的对象是否没有可能阻碍训练过程的隐含负面示例。这意味着，如果您检测到汽车，请确保图像中至少所有视觉上定性的外观都被标记为汽车。如果您只标记了 1 辆汽车，还留下了 2 辆未标记的汽车，那么这两辆汽车会妨碍您的训练。

您可以简单地使用 LabelImg 中的验证功能，它将创建一个没有注释的文件，您可以在整个过程中运行。通读这篇文章，似乎确实需要负面图像。

OP 询问了 Tensorflow 对象检测 API 中的负样本。我同意我们在基于 NN 的目标检测中没有针对负样本的特定图像。当图像的某些区域没有标记（没有边界框）时，所有负样本都是隐式可用的。