Question

我正在使用Tensorflow Object Detection API来训练我自己的物体探测器。我从模型动物园（here）下载了faster_rcnn_inception_v2_coco_2018_01_28，并创建了我自己的数据集（train.record（~221Mo），test.record和标签贴图）来微调它。

但是当我运行它时：

python train.py --logtostderr --pipeline_config_path=/home/username/Documents/Object_Detection/training/faster_rcnn_inception_v2_coco_2018_01_28/pipeline.config --train_dir=/home/username/Documents/Object_Detection/training/

该过程在填充shuffle缓冲区操作期间被杀死，看起来像一个OOM问题（16Go RAM）......

2018-06-07 12:02:51.107021: I tensorflow/core/kernels/data/shuffle_dataset_op.cc:94] Filling up shuffle buffer (this may take a while): 410 of 2048
Process stopped

是否存在减少shuffle缓冲区大小的方法？它的大小有什么影响？

然后，我添加了一些交换（115Go交换+ 16Go RAM）和填充shuffle缓冲区操作完成，但我的训练占用了所有的RAM并在步骤4后交换，而我的train.record只是大约221 Mo！

我已经将这些行添加到我的pipeline.config＆gt; train_config：

batch_size: 1
batch_queue_capacity: 10
num_batch_queue_threads: 8
prefetch_queue_capacity: 9

和这些到我的pipeline.config＆gt; train_input_reader：

queue_capacity: 2
min_after_dequeue: 1
num_readers: 1

关注post。

我知道我的图像非常（非常非常）大：每个25Mo，但因为我只拍了9张图像来制作我的train.record（只是为了测试我的安装是否顺利），它不应该是这样的内存消耗权？

关于它为什么使用这么多RAM的任何其他想法？

（顺便说一句，我只使用CPU）

Answer 1

图像数量不是问题。问题是您输入的图像分辨率（在您的设置.config文件中）。您需要在此处更改高度和宽度值（与.config文件类似）：

image_resizer {
  # TODO(shlens): Only fixed_shape_resizer is currently supported for NASNet
  # featurization. The reason for this is that nasnet.py only supports
  # inputs with fully known shapes. We need to update nasnet.py to handle
  # shapes not known at compile time.
  fixed_shape_resizer {
    height: 1200
    width: 1200
  }
}

设置为较小的宽度和高度值，您将可以完美地训练。

TensorFlow对象检测API - 内存不足

1 个答案: