训练SSD-MOBILENET V1，loss不减答案

【问题标题】：Training SSD-MOBILENET V1 and the loss does not deacrease训练SSD-MOBILENET V1，loss不减
【发布时间】：2020-03-26 00:29:54
【问题描述】：

我对 CNN 和 tensorflow 很陌生。我训练了一个预训练的 ssd-mobilenev1-pets.config 来检测建筑物的柱子，大约一天，但损失在 2-1 之间，并且自 10 小时前以来没有减少。我意识到我的输入图像是 128x128，SSD 将图像大小调整为 300*300。输入图像的大小会影响训练吗？如果是这种情况，我应该用更大的输入图像重新训练网络吗？或者减少损失的另一种选择是什么？我的火车数据集有 660 张图像并测试 166 张我不知道是否有足够的图像我真的很感谢你的帮助....

【问题讨论】：

您好，请分享您的配置文件，您的损失图以及训练采取了多少步？
图像大小无关紧要，脚本将能够将图像调整为模型所需的大小。你能确认你已经按照这里给出的每一步 - github.com/tensorflow/models/blob/master/research/…

标签： tensorflow training-data loss-function object-detection-api tensorflow-ssd

【解决方案1】：

ssd_mobilenet 的损失值可能与faster_rcnn 不同。来自 EdjeElectronics 的 TensorFlow 对象检测教程：

我在 Faster-RCNN-Inception-V2 模型上的训练始于约 3.0 并迅速降至 0.8 以下。我建议允许您的模型进行训练，直到损失持续下降到 0.05 以下，即大约需要 40,000 步，或大约 2 小时（取决于如何强大的 CPU 和 GPU）。注：损失数字为如果使用不同的模型，则不同。 MobileNet-SSD 以损失大约 20，并且应该训练直到损失一致 2岁以下。

SSD Mobilnet 架构需要额外的培训才能满足要求然而，R-CNN 模型的损失精度值提供了在小型设备上的实用性、可扩展性和易于访问性这表明 SSD 模型是一个有希望的候选者评估（Fleury 和 Fleury，2018 年）。

更多信息：Fleury, D. & Fleury, A. (2018)。区域-CNN 和 SSD 机器学习对象检测架构的实施，用于在暗场显微镜中实时分析血源性病原体。 MDPI 股份公司。

【讨论】：

【解决方案2】：

我建议您使用 15%-20% 的图像进行测试，涵盖训练数据中存在的所有种类。正如您所说，您有 650 多张图像用于训练，150 多张图像用于测试。这大约是测试图像的 25%。看起来你有足够的图像开始。我知道的越多越好，但是make sure your model also has sufficient data to learn from!

调整图像大小不会导致损失。它确保所有图像的一致性，以便模型在没有偏差的情况下识别它们。只要调整每张图片的大小相同，损失就与调整图片大小无关。

如果您希望您的模型完美契合，您必须一次又一次地停下来并恢复检查点。 通常，您可以通过re-training the ssd mobilenet until the loss consistently becomes under 1. 获得良好的准确性

理想情况下，我们希望损失尽可能低，但我们希望make sure the model is not over-fitting. 这完全是关于反复试验。（0.5 到 1 之间的损失似乎做得很好，但这一切都取决于你。）

我认为您的模型表现不佳的原因是您的测试数据种类繁多，而训练数据不足。

The model has not been given enough knowledge in training data to make the model learn for new variety of testing data.（例如：您的测试数据有一些新角度的建筑物图像，这些图像在训练数据中没有充分存在）。在这种情况下，我建议您将各种图像放入训练数据中，然后挑选图像进行测试，以确保您仍然有足够的新姿势训练数据。这就是为什么我建议您获取 15%-20% 的测试数据。

【讨论】：