如何在 AWS sagemaker 上选择超参数来训练好的对象检测模型？答案

【问题标题】：How to choose hyperparameters to train a good object detection model on AWS sagemaker?如何在 AWS sagemaker 上选择超参数来训练好的对象检测模型？
【发布时间】：2019-06-18 03:12:46
【问题描述】：

使用AWS sagemaker algorithm 进行对象检测。

我创建了带有和不带有自动调整的对象检测模型。其中一些具有良好的 mAP，而另一些则没有，当我在新图片上对其进行测试时，并非我的所有对象都可以被检测到。

我应该选择哪个parameters 和hyperparameters 以获得最佳模型？

另外，你认为我需要多少张照片？

提前致谢！

目前，我正在尝试检测立顿茶（方盒）。我有 5 种不同的茶（所以 5 类）和总共 500 张图像。每班100人。我将数据分成 90% 用于训练，10% 用于验证。然后我会用新图片进行测试。

tuned_hyperparameters_ranges = {
    'learning_rate': ContinuousParameter(0.001, 0.05),
    'momentum': ContinuousParameter(0.4, 0.99),
}

我需要它至少有 90% 的检测率。

【问题讨论】：

标签： python amazon-web-services machine-learning object-detection amazon-sagemaker

【解决方案1】：

每班 100 张图片听起来是一个合理的数量。我的建议：

尝试将base_network 设置为resnet-50 如gluoncv model zoo visualization 所示，在相当一般的COCO 检测任务中，resnet50 主干比vgg16 主干提供更好的性能
通过设置使用迁移学习 use_pretrained_model=1
在训练作业指标中检查每个时期后验证 mAP 时期的外观。如果训练曲线没有变平，请考虑通过增加epochs 来延长训练时间
使用学习率调度来逐步减少权重更新的粒度。这可以采取多种形式，但首先你可以将学习率除以每 1/3 的 epoch 数除以 10。例如，如果您有 60 个 epoch，则设置 lr_scheduler_step='20,40' 和 lr_scheduler_factor=0.1

然后您至少可以在learning_rate 和mini_batch_size 上运行超参数调整

如果这仍然不令人满意，请考虑收集更多数据或使用自定义代码实施不同的检测器，具体取决于每个选项的成本。 SageMaker Detector 是一种 SSD，其他架构（例如 Faster-RCNN 或 YoloV3）采用适当的技巧可能会提供更好的性能。您可以在 python 中找到出色的检测器架构，以在上面链接的模型动物园的 MXNet 容器中实现。不过，这将比使用内置 SageMaker 检测器更费力，所以我会先尝试上面的 4 个选项

【讨论】：