¿Cuál es el tamaño mínimo recomendado del conjunto de datos de entrenamiento para entrenar una red neuronal profunda?

Suficientemente grande para que pueda submuestrear (con reemplazo) los datos sin pérdida de puntaje F1. Lo grande que sea dependerá de los hiperparámetros del diseño de su red y la dificultad del problema de aprendizaje para esa red. Por lo tanto, una respuesta puramente numérica estaría fuera de lugar.

Aquí hay una ilustración que no es cuantitativa, pero creo que es representativa de una tarea de reconocimiento de objetos muy simple.

Si la tarea es lo suficientemente simple, como segmentar una imagen simple de varias monedas sobre una mesa …

Usar una CNN estándar y entrenar con una sola imagen en realidad puede ser suficiente. Deberá dividir la imagen de entrenamiento en una cuadrícula regular de mosaicos (quizás 8 × 8) y volver a muestrear esos mosaicos a través de sus límites (produciendo quizás 7 × 8 + 7 × 8 más mosaicos superpuestos), luego rotará y volteará todas esas fichas para aumentar el tamaño del conjunto de trenes (176 fichas * cuatro rotaciones de 90 grados * dos volteretas = 1408 fichas de entrenamiento, derivadas de una imagen original como la de arriba).

En mi experiencia, esa cantidad de datos de entrenamiento debería ser suficiente para segmentar una imagen de prueba de monedas, suponiendo que solo cambien las posiciones de las monedas, pero se aplican las mismas condiciones de referencia: los mismos tamaños de monedas, ángulo de cámara, densidad de monedas, textura de fondo, separación física e iluminación.

Si luego desea cambiar las condiciones de referencia mencionadas anteriormente, deberá agregar una o más imágenes de entrenamiento para cada variación, que se muestreará de manera comparable. Y se necesitará más si el cambio en la línea de base es compuesto (nuevos tamaños de monedas) o complejo (un cambio en la iluminación, el ángulo de la cámara o las monedas que se ocluyen).

Por supuesto, si se desea una tarea aún más compleja, como reconocer el valor de la moneda, necesitará aún más imágenes de entrenamiento para cubrir el aumento en el número de variaciones. ¿Cuántos? No creo que sea decidible dado lo poco que sabemos de 1) la información necesaria para decidir, 2) la información presente en cada imagen de entrenamiento y 3) la eficiencia de las redes profundas.

Recomendaría la sección “Generalización” en Una breve descripción general de la publicación de blog Deep Learning que está relacionada con su pregunta. Parece que hay una relación entre el tamaño del modelo y el tamaño del conjunto de entrenamiento. Sin embargo, supongo que la realidad es mucho más compleja que alguna regla general de este tipo.