我有一个包含 330 张包含枪支的图像的数据集。除了图像，我还有一个与每个图像文件相关联的文本文件，其中包含，
我需要训练一个模型，该模型将图像作为输入并输出 4 个整数值，它们是边界框的坐标（边界框的顶点）。
为了训练目标检测模型，是否应该将图像作为输入，将坐标作为模型的输出？是否应该有用于特征提取的卷积层，然后是用于学习产生 4 个输出（边界框坐标）的特征的 FC 层？
这种模型架构的概念是否正确？还有其他提示/建议吗？
我完全在 TensorFlow Keras 中创建这个模型，而不使用任何预训练的东西。
在我回答你的问题之前，让我告诉你，你可以从头开始训练一个模型，但你最终肯定会使用其中一种对象检测架构，无论是 Mask R-CNN、Faster R-CNN、Yolo或固态硬盘。您的问题是这些架构试图解决的问题的简化版本。这些是通用对象检测器，其中一些支持更多 1k 类。你有一个单一的类别检测问题。
现在回到你的问题。
为了训练目标检测模型，是否应该将图像作为输入，将坐标作为模型的输出？是否应该有用于特征提取的卷积层，然后是用于学习产生 4 个输出（边界框坐标）的特征的 FC 层？不，事情没那么简单。训练 FCN 以输出 4 个值作为边界框不起作用。
前面提到的所有对象检测器都是基于假设，例如 Faster R-CNN 生成提议（区域），它的假设是这些区域很可能包含一个对象，然后通过对每个区域包含哪个类进行分类（你只有一类），最后精炼输出。Faster R-CNN 中最重要的是区域提议网络，它以滑动窗口的方式迭代最终卷积层，生成不同纵横比的提议，例如 1:1、1:2 和 2:1。
为什么我要说这一切？因为我想让你明白，问题并不像你想象的那么简单。
延伸阅读：