Question

模型过度训练集，无法推广到测试集。

如何将dropout添加到模型的特征提取器部分？（.config文件仅提供用于向框预测器添加dropout的键值）
我可采取哪些其他措施来减少过度拟合？

以下详细信息：

我正试图在玩具动物数据集上重新训练模型检查点“ssd_mobilenet_v1_coco_11_06_2017”。共有14个班级，每个班级有400-600个图像。网络以不到30k的步长学习训练集。 Tensorboard。在初始培训后，损失似乎仍然相当不稳定，尽管我没有足够的经验来评估这一点。

我正在测试模型，方法是将导出的图形应用于图像并手动检查结果。（我没有时间正确实施验证）。该模型非常适用于在与训练集非常相似的条件下拍摄的照片。这些不良测试集图像是从训练集中随机设置的，该训练集是通过连续拍摄许多图像而摄像机角度稍有变化而获得的。训练集还包括各种照明条件，背景，失真和摄像机位置。我估计它会从坏测试集的大约95％的图像中获得类和位置。由此我得出结论，该模型非常适合训练集，并且可以概括一点。

然而，该模型在不同时间用不同相机单独拍摄的照片上表现非常差（即该测试组与训练组之间的相关性应该小得多）。我估计这个好的测试集的性能大约是25％。由此我得出结论，该模型过度拟合并且未能概括。

我尝试在.config文件中进行一些更改。

对于特征提取器和方框预测器，将l2_regularizer权重从0.00004增加到0.0001。
将框预测变量use_dropout设置为true，以便启用20％的退出。

我正在使用Tensorflow 1.4 pip install和大约3周前从github克隆的模型。

我使用以下参数调用object_detection中的train.py：

python train.py --logtostderr --train_dir=/home/X/TrainDir/Process --pipeline_config_path=/home/X/ssd_mobilenet_v1_coco.config

我的配置文件如下：

# SSD with Mobilenet v1 configuration for MSCOCO Dataset.
# Users should configure the fine_tune_checkpoint field in the train config as
# well as the label_map_path and input_path fields in the train_input_reader and
# eval_input_reader. Search for "PATH_TO_BE_CONFIGURED" to find the fields that
# should be configured.

model {
  ssd {
    num_classes: 14
    box_coder {
      faster_rcnn_box_coder {
        y_scale: 10.0
        x_scale: 10.0
        height_scale: 5.0
        width_scale: 5.0
      }
    }
    matcher {
      argmax_matcher {
        matched_threshold: 0.5
        unmatched_threshold: 0.5
        ignore_thresholds: false
        negatives_lower_than_unmatched: true
        force_match_for_each_row: true
      }
    }
    similarity_calculator {
      iou_similarity {
      }
    }
    anchor_generator {
      ssd_anchor_generator {
        num_layers: 6
        min_scale: 0.2
        max_scale: 0.95
        aspect_ratios: 1.0
        aspect_ratios: 2.0
        aspect_ratios: 0.5
        aspect_ratios: 3.0
        aspect_ratios: 0.3333
      }
    }
    image_resizer {
      fixed_shape_resizer {
        height: 300
        width: 300
      }
    }
    box_predictor {
      convolutional_box_predictor {
        min_depth: 0
        max_depth: 0
        num_layers_before_predictor: 0
        use_dropout: true
        dropout_keep_probability: 0.8
        kernel_size: 1
        box_code_size: 4
        apply_sigmoid_to_scores: false
        conv_hyperparams {
          activation: RELU_6,
          regularizer {
            l2_regularizer {
              weight: 0.0001
            }
          }
          initializer {
            truncated_normal_initializer {
              stddev: 0.03
              mean: 0.0
            }
          }
          batch_norm {
            train: true,
            scale: true,
            center: true,
            decay: 0.9997,
            epsilon: 0.001,
          }
        }
      }
    }
    feature_extractor {
      type: 'ssd_mobilenet_v1'
      min_depth: 16
      depth_multiplier: 1.0
      conv_hyperparams {
        activation: RELU_6,
        regularizer {
          l2_regularizer {
            weight: 0.0001
          }
        }
        initializer {
          truncated_normal_initializer {
            stddev: 0.03
            mean: 0.0
          }
        }
        batch_norm {
          train: true,
          scale: true,
          center: true,
          decay: 0.9997,
          epsilon: 0.001,
        }
      }
    }
    loss {
      classification_loss {
        weighted_sigmoid {
          anchorwise_output: true
        }
      }
      localization_loss {
        weighted_smooth_l1 {
          anchorwise_output: true
        }
      }
      hard_example_miner {
        num_hard_examples: 3000
        iou_threshold: 0.99
        loss_type: CLASSIFICATION
        max_negatives_per_positive: 3
        min_negatives_per_image: 0
      }
      classification_weight: 1.0
      localization_weight: 1.0
    }
    normalize_loss_by_num_matches: true
    post_processing {
      batch_non_max_suppression {
        score_threshold: 1e-8
        iou_threshold: 0.6
        max_detections_per_class: 100
        max_total_detections: 100
      }
      score_converter: SIGMOID
    }
  }
}

train_config: {
  batch_size: 8
  optimizer {
    rms_prop_optimizer: {
      learning_rate: {
        exponential_decay_learning_rate {
          initial_learning_rate: 0.004
          decay_steps: 800720
          decay_factor: 0.95
        }
      }
      momentum_optimizer_value: 0.9
      decay: 0.9
      epsilon: 1.0
    }
  }
  fine_tune_checkpoint: "/home/X/tensorflow/models/research/object_detection/ssd_mobilenet_v1_coco_11_06_2017/model.ckpt"
  from_detection_checkpoint: true
  # Note: The below line limits the training process to 200K steps, which we
  # empirically found to be sufficient enough to train the pets dataset. This
  # effectively bypasses the learning rate schedule (the learning rate will
  # never decay). Remove the below line to train indefinitely.
  num_steps: 200000
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
  data_augmentation_options {
    ssd_random_crop {
    }
  }
}

train_input_reader: {
  tf_record_input_reader {
    input_path: "/home/X/TrainDir/train.record"
  }
  label_map_path: "/home/X/TrainDir/data_label_map.pbtxt"
}

eval_config: {
  num_examples: 1200
  # Note: The below line limits the evaluation process to 10 evaluations.
  # Remove the below line to evaluate indefinitely.
  max_evals: 30
}

eval_input_reader: {
  tf_record_input_reader {
    input_path: "/home/X/TrainDir/test.record"
  }
  label_map_path: "/home/X/TrainDir/data_label_map.pbtxt"
  shuffle: false
  num_readers: 1
  num_epochs: 1
}

Answer 1

经过一些技巧，网络学得很好，并开始推广好的测试集。

我包括每5000步的学习率衰减约10％（这已经帮助了很多）。
我在玩具动物训练集中添加了大约10％的同类真实动物图像的额外图像。这大大改善了概括。
进一步提高培训效果。
我将正规化和box_predictor dropout保留为原始值。

训练有素的网络在现实世界的情景中表现良好，在完全新的场景和光照条件下拍摄照片的同时在线检测这些动物。

Answer 2

您是否尝试过设置验证集并使用部分训练的模型自动运行评估并与培训同时进行？如果验证准确性尚未收敛，那么您可能需要更长时间地训练模型。

要注意的其他事项：“好”和“坏”测试集之间是否还有其他差异？例如。分辨率/宽高比。您是否正确地遵循了所有预处理步骤，就像在培训期间执行这些步骤一样？例如。数据标准化，使用相同的算法调整大小等...

编辑：我检查了你的张量板截图，为什么你认为网络学到了你的训练集？这似乎并没有真正融合。你应该做的另一件事是设置一个调度程序，以减少你的学习除以每40K步数10，在学习了一些功能后，你的梯度下降有可能收敛，因为你永远不会从初始值改变学习率，在培训的那个时间点可能太大了。

带有移动网络的Tensorflow对象检测API会过度使用自定义多类数据集

2 个答案: