使用 Tensorflow 对象检测预训练模型提高准确性答案

【问题标题】：Improve accuracy with Tensorflow Object detection pretrained model使用 Tensorflow 对象检测预训练模型提高准确性
【发布时间】：2018-06-25 09:01:56
【问题描述】：

我正在构建一个对象检测模型，我想用 22 个新类创建该模型（其中大部分不在 COCO 或 PETS 数据集中）我已经做的是：

结果：SSD_Mobilenet 和 SSD_Inception 没有产生任何课程 found(loss ~10.0) 而更快的 RCNN Inception 确实成功地检测到了一些对象（损失〜0.7）。

我的问题是：

我在上面使用的 Object detection 的 train.py 到 image_retraining 的 retrain.py 到 Slim 的 train_image_classifier.py 之间有什么区别？
哪个更适合我的任务？还是我应该换一种方式？
在 FRCNN 初始运行 train.py 时，我发现损失约为 0.7，即使经过 100k 步后也不会降低。在损失方面有什么目标要实现吗？
您建议如何更改配置文件以改善这一点？
我发现了其他模型，例如 Inception V4 等...没有示例配置文件 - TF slim。我应该尝试它们吗？如果可以，我该如何使用它们？

我是这个领域的新手，我需要一些支持来理解条款和行动。

顺便说一句：我正在使用 GTX 1060 (GPU) 进行训练，但 eval 无法并行工作，因此我无法获取 mAP 进行验证。我试图对 CPU 强制 eval 但没有成功。

谢谢。

【问题讨论】：

【解决方案1】：

重新训练用于在预训练模型的顶部添加一个级别...您可以像这样赢得时间..对数千张图片有用，对百万张标签图片无用...效率低于从 skratch 训练。配置文件有模板。如果没有配置文件，请创建自己的.. 看看 tensorflow github 解释...

【讨论】：

【解决方案2】：

（不是一个完整的答案，但我希望它在某种程度上有所帮助！）

您的注释对象相对于图像大小是否较小？我在 SSD 没有检测或检测很少的情况下遇到了同样的问题，发现该模型对决定框建议（锚生成器）大小的设置非常敏感。这是link with some details

此外，在调试和调整模型时，运行一个活跃的评估作业非常重要。 TotalLoss 或从训练作业返回的任何参数不会告诉您实际模型的性能，只会告诉您它是否正在收敛。评估工作给你例如mAP 是性能的真正衡量标准。

在 cpu 上强制执行 eval 作业的一种简单方法是执行以下操作：

a) 安装专用于评估作业的虚拟环境，instructions here

b) 激活虚拟环境并在虚拟环境中安装tensorflow cpu（是的，你应该重新安装tensorflow，并且不支持gpu）

c) 像往常一样在你的 tensorflow-gpu 上启动训练作业（无论你以何种方式安装它）

d) 在虚拟环境中运行 eval 作业（这将迫使它在 cpu 上运行并且效果很好！我还从这个安装中运行 tensorboard 以最大程度地减少干扰训练作业的风险）

【讨论】：

【解决方案3】：

1) 我在上面使用的 Object detection 的 train.py 与 image_retraining 的 retrain.py 和 Slim 的 train_image_classifier.py 有什么区别

Ans : 据我所知，没有。因为 train.py 导入 trainer.py，trainer.py 导入 slim.learning.train（与 train_image_classifier.py 中使用的类相同）进行训练。

2) 哪个更适合我的任务？还是我应该以不同的方式来做？

Ans：上面的答案也回答了这个问题。

3) 在 FRCNN inception 上运行 train.py 时，我发现损失在 0.7 左右，即使经过 100k 步后也不会降低。在损失方面有什么目标要实现吗？

Ans：如果你使用 tensorboard 来可视化你的结果，你会发现当你的分类损失图变化不大（已经收敛）时，你的模型就被训练好了。关于 0.7 的损失，经过这么多步骤的训练，这已经很高了。只需检查您的管道配置文件参数即可。

4) 您建议如何更改配置文件以改善这一点？

Ans：学习率值可以是一个好的开始

5) 我发现了其他模型，例如 Inception V4 等...没有示例配置文件 - TF slim？我应该尝试它们吗？如果可以，我该如何使用它们？

Ans：目前，我对此没有答案。但会回复你。

【讨论】：