我正在尝试在我的自定义数据集上实现 YOLOv2。每个类是否需要最少的图像数量？
每个类没有用于训练的最低图像数。当然，您拥有的数字越低，模型就会慢慢收敛，精度会很低。
根据 Alexey(流行的分叉暗网和 YOLO v4 的创建者)如何改进对象检测，重要的是：
对于要检测的每个对象 - 必须至少有 1 个 训练数据集中的类似对象，具有大致相同的：形状， 物体的侧面，相对大小，旋转角度，倾斜度，照明。 如此理想，您的训练数据集包含对象为 不同：比例，旋转，照明，从不同的侧面，在 不同的背景 - 你最好有2000个不同的背景 每个类或更多类的图像，您应该训练2000*类 迭代次数或更多次
https://github.com/AlexeyAB/darknet
因此，我认为如果您想获得最佳精度，每类至少应该有 2000 张图像。但是每班1000也不错。即使每个类有数百张图像，您仍然可以获得体面(不是最佳)的结果。只需收集尽可能多的图像即可。
这取决于。
每个类至少有一个目标图像。原则上，如果使用数据增强策略并微调预训练的 YOLO 网络，这可能会具有一定的准确性。
然而，客观现实是，根据您的问题，每类可能需要多达 1000 张图像。