Небольшой набор данных (около 600 изображений) для обнаружения эмоций на лице с помощью YOLOv11 + Roboflow — как собрать ⇐ Python

[Anonymous]

Я создаю небольшой проект компьютерного зрения (MoodAI Player), в котором веб-камера распознает эмоции лица и запускает музыку + реакцию светодиодов на Raspberry Pi.
Я планирую обучить модель YOLOv11 с данными, аннотированными в Roboflow, используя 6 классов:

• счастливый, грустный, злой, нейтральный, пугливый, сонный

Размер набора данных: ~600 изображений (по 100 на класс)
Основная проблема (сбор данных)
Я думаю, что моя стратегия сбора изображений может быть слабым местом, поэтому мне нужен совет конкретно по поводу как следует захватывать обучающие изображения.
Текущий подход:

• В основном лица фронтально
• Чистый фон
• Хорошее освещение
• Лицо заполняет ~60–80 % кадра
• Некоторые вариации (ракурсы, освещение, разные люди)
• 50 изображений в очках / 50 без

Вопросы

• Следует ли сохранять изображения чистыми или включать больше реального шума (фоновый беспорядок, разные расстояния, и т.д.)?
• Какое разнообразие полезно?
  • Боковые углы?
  • Слабый свет/тени?
  • Окклюзии (волосы, руки и т. д.)?
• Не слишком ли мало 100 изображений на класс, даже с использованием дополнений в Roboflow?
• Каких распространенных ошибок в наборах данных об эмоциях мне следует избегать?
  
  (особенно сбивают с толку классы, такие как сонный или нейтральный)

Цель
Это университетский проект, поэтому я не стремлюсь к идеальной точности — просто модель, которая достаточно хорошо работает в режиме реального времени.