Tensorflow对象检测：经过训练的模型无法预测图像中同一对象的所有实例

Question

我正在使用Tensorflow Object Detection API来训练包含2个类的自定义数据集。我使用的网络是Faster RCNN + ResNet101，我利用预先训练的模型来初始化权重。训练集包括总共1200张图像，其中类别1包含20,000个实例，类别2包含6,200个实例。训练似乎效果很好-损失收敛良好，并且验证集上的mAP约为88％。 但是，预测结果很奇怪。例如：在一个图像中，如果一个类的实例出现多次（看上去完全相同），则训练后的模型不会预测该图像中的所有实例。它只预测其中的一些。发生这种奇怪行为的原因可能是什么？

由于数据集中类实例的不平衡，我增加了类2实例，以使实例数量相等。即使使用平衡的数据进行训练，预测问题仍然存在。

我还尝试了几种超参数组合。那也不能解决问题。

Answer 1

默认情况下，可视化模块在一张图像上最多绘制20个框，您可以通过将max_boxes_to_draw传递给可视化功能来增加该数目。

如果这不是问题，那么您是否尝试过增加提案数量？看来每个图像上平均有约20个对象，这比COCO数据集的图像中的平均对象数要多。