我目前正在制作一个模型，我必须预测一些材料，如梯子，螺母，螺栓，鼠标，瓶子等。我已经为此编写了一个算法，目前工作正常，我拥有的图像集是可以在我的本地计算机上获得，并且我有足够的培训数据来进行培训和测试。截至目前，我总共有26个图像类来预测，都是材料类型。
现在，这很好，但我想要一个案例，如果一个图像不属于所述图像类我希望它返回这样的东西，它会指定这不是一个材料，而是完全不同的图片。
为了做到这一点，我想用一组不同的图像（例如Imagenet）对我的模型进行双重训练，只要通过查看任何非物质图像，它就会返回我这样的“这不是物质！”
基本上，相同的模型将在两个不同的数据集上进行训练，一个数据集是我的材料数据集，另一个是除材料之外的任何数据集，如Imagenet中的图像。
我的问题是如何处理这个问题？或者我甚至需要这样做？或者我只是写一个简单的if - else并将任何它不能识别为非物质类型的物质？
您可以合并两个数据集，并将不属于所述26个类的数据集标记为特殊的第27类。每当您的模型预测该类时，您就知道它不属于您的数据集。例如：
pred = [0.1, 0.1, 0.8] # Assume label 2 is not-this-dataset label
然后，您可以使用标记为2的其他数据集中的图像，并在训练周期中照常训练。确保平衡数据集，因为没有比例太多的特殊非此数据集标签，因此您的模型不会过度拟合，只是预测所有内容都不是来自原始数据集。