我正在构建一个对象检测模型，我希望用22个新类创建它们（大多数不在COCO或PETS数据集中） 我已经做的是：
使用LabelIMG准备带有多个标签的图像。
对于大于500k
将XML转换为CSV文件
将CSV和图像转换为TFRecord
使用Tensorflow示例配置文件，我已经训练了几个预训练检查点。
结果：SSD_Mobilenet和SSD_Inception导致没有课程 发现（损失~10.0），而更快的RCNN Inception确实成功检测到了一些 对象（损失~0.7）。
我的问题是：
我在这个领域很新，我需要一些支持来理解这些术语和行动。
BTW：我正在使用GTX 1060（GPU）进行培训，但eval没有并行工作，所以我无法获得mAP进行验证。我试图强制使用eval但没有成功。感谢。
答案 0 :(得分：0)
1）我在上面使用的物体检测中的train.py与从image_retraining中重新训练到从Slim中的train_image_classifier.py
之间有什么区别？ 答：答：据我所知，没有。因为train.py导入的training.py导入了slim.learning.train（在train_image_classifier.py中使用的同一个类）来训练。2）哪个更适合我的任务？或者我应该以不同的方式做到这一点？
答：答案：上面的答案也回答了这个问题。3）在FRCNN启动时运行train.py时，我发现损失大约为0.7，即使在100k步之后也不会降低。在实现损失方面是否有任何目标？
Ans：如果您使用tensorboard来显示结果，您会发现当您的分类丢失图表没有发生很大变化（已经收敛）时，您的模型就会受到训练。关于0.7的损失，经过这么多步骤的训练后，这个数字很高。只需检查管道配置文件参数。
4）您如何建议更改配置文件以改善此目的？
答：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......它没有样本配置文件 - TF slim？我应该尝试一下吗？如果我可以使用它们吗？
答：目前，我没有答案。但会回复你。答案 1 :(得分：0)
（不是一个完整的答案，但我希望它在某种程度上有所帮助！）
您的带注释的对象相对于图像大小是否较小？ 我没有或很少检测到SSD时遇到了同样的问题，发现模型对确定盒子提议（锚点生成器）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，运行活动eval作业非常重要。 TotalLoss或从列车作业返回的任何参数不会告知您实际模型的性能，只会告知您是否正在收敛。评估工作为您提供了例如mAP是衡量绩效的真正指标。
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）安装专用于评估工作的虚拟环境instructions here
b）激活虚拟环境并在虚拟环境中安装tensorflow cpu（是的，你应该再次安装tensorflow，没有支持gpu）c）像往常一样在tensorflow-gpu上开始训练（以任何方式安装它）
d）在虚拟环境中运行eval作业（这将强制它在cpu上运行并且工作得很好！我还从这个安装运行tensorboard以最小化干扰列车工作的风险）
答案 2 :(得分：0)
再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。.对于成千上万张图片有用，对百万张带标签的图片没用...效率不如从skratch训练。有配置文件模板。如果没有配置文件，请创建您自己的配置文件。查看tensorflow github上的解释...