まず、 既にご存知かもしれませんが、 VGGアノテータ自体は、学習をしているわけではなく、学習するためのデータを作成するためのツールです。 画像毎に、この部分が人、この部分が魚 のような感じで、 人が入力したものを、jsonファイルの形で出力します。 学習方法は、色々な方法があるとは思いますが、 イメージで説明すると、 それぞれの画像の情報は、最終的にはN次元の情報に落とし込んでいく ような感じになるわけで、 人間同士は、落とし込んだ先が、なるべく近くになるように、 魚同士も、なるべく近くなるように 人間と魚は、なるべく遠くになるように この落とし込んでいくためのパラメータを変えていくような感じ かと思います。