作者你好，您做的这份字体识别工作很棒！
我想请教一些关于数据集生成和模型训练效果的问题。

我有约700种私有字体，目的是用Resnet50模型训练得到较高的字体识别准确度。但是在训练了50epoch，test-acc=0.83的情况下，拿随机生成的字体数据集来测试，准确度却很低，经常出现识别结果和正确结果相差甚远的问题。

没看懂这段是什么意思。test-acc是测试集的acc吧，那这个测试集和你说的随机生成的字体数据集有什么关系？是在有私有的测试集之外还生成了一个随机数据集？

我使用你在github提供的字体生成代码生成的数据集，其中背景图采集了约200张动漫/自然场景图，训练集-验证集-测试集比例为500:25:90，即一共500*700=350000张训练数据。

模型test-acc很高但是实际图片测试结果较差，我怀疑是数据集的问题，具体而言，是生成数据集的背景图数量、质量和作者训练时有较大差别。
请问作者能否详细介绍下生成训练用数据集时的背景图选取规则、背景图数量和数据集特征，以及训练数据集数量？这些会对我复现此份工作和提升自己的实验效果有重要帮助，十分感谢！

以及你确定是test-acc？还是你是指train-acc，我有点困惑。

感谢您的回复！我再具体一些描述情况。

没看懂这段是什么意思。test-acc是测试集的acc吧，那这个测试集和你说的随机生成的字体数据集有什么关系？是在有私有的测试集之外还生成了一个随机数据集？

我是用自己的一些私有字体分别生成了train、val和test三套数据，比例是20:1:6。Resnet训练50epoch后train_acc已经接近1，val_acc在0.82左右，在筛选没有过拟合的模型后，单独运行测试，test_acc在0.83以上。
然后遇到了上述问题。(但是在训练了50epoch，test-acc=0.83的情况下，拿随机生成的字体数据集来测试，准确度却很低，经常出现识别结果和正确结果相差甚远的问题。)

以及你确定是test-acc？还是你是指train-acc，我有点困惑。

是指的test_acc，我在tensorboard进行了完整的train和test结果追踪观测。

请问作者能否详细介绍下生成训练用数据集时的背景图选取规则、背景图数量和数据集特征，以及训练数据集数量？这些会对我复现此份工作和提升自己的实验效果有重要帮助，十分感谢！

具体问题就是，我用你在hf提供的预训练模型识别字体(demo.py)，能找出和我提供的预测图片字体大致相同的一些字体，但是我用自己训练的模型，识别出来的字体样式和预测图片相差甚远，甚至无法归类为与之相似的字体。
关于我自己的疑问，在固定了模型和训练策略的情况下，我推测是我生成的数据集数量、比例或质量存在问题，现在已经10倍扩大了训练数据，正开始新一轮训练，看看结果是否会提升。

我的具体训练策略如下：
202500张train数据，10125张val数据，20250张test数据。50epoch。
0.001学习率，v1数据增强，图像大小512*512，batchsize16。

恳请作者能帮我分析下这种情况出现的原因🙏，是不是哪个步骤出了问题，非常感谢！

作者你好，您做的这份字体识别工作很棒！
我想请教一些关于数据集生成和模型训练效果的问题。
我有约700种私有字体，目的是用Resnet50模型训练得到较高的字体识别准确度。但是在训练了50epoch，test-acc=0.83的情况下，拿随机生成的字体数据集来测试，准确度却很低，经常出现识别结果和正确结果相差甚远的问题。

没看懂这段是什么意思。test-acc是测试集的acc吧，那这个测试集和你说的随机生成的字体数据集有什么关系？是在有私有的测试集之外还生成了一个随机数据集？

我使用你在github提供的字体生成代码生成的数据集，其中背景图采集了约200张动漫/自然场景图，训练集-验证集-测试集比例为500:25:90，即一共500*700=350000张训练数据。
模型test-acc很高但是实际图片测试结果较差，我怀疑是数据集的问题，具体而言，是生成数据集的背景图数量、质量和作者训练时有较大差别。
请问作者能否详细介绍下生成训练用数据集时的背景图选取规则、背景图数量和数据集特征，以及训练数据集数量？这些会对我复现此份工作和提升自己的实验效果有重要帮助，十分感谢！

以及你确定是test-acc？还是你是指train-acc，我有点困惑。

这个任务对我来说比较紧急，请问能否加个联系方式？这样交流起来方便高效些。