经过一段时间的训练后,训练损失值正在增加,但是该模型可以很好地检测出物体

时间:2019-05-05 13:41:44

标签: tensorflow object-detection loss-function

在训练CNN从我自己的数据集中检测对象时遇到一个奇怪的问题。我正在使用转移学习,并且在培训开始时,损失值正在降低(如预期的那样)。但是一段时间之后,它变得越来越高,我不知道为什么会这样。

同时,当我查看Tensorboard上的 Images 标签以检查CNN预测对象的性能如何时,我可以看到它做得很好,看起来并不像现在随着时间的推移变得越来越糟。而且,“精确度”和“召回率”图表看起来不错,只有“损失”图表(尤其是category_loss)显示出随时间增加的趋势。

以下是一些具体细节:

  • 我有10种不同类别的徽标(例如DHL,宝马,联邦快递等)
  • 每堂课约600张图像
  • 我在Ubuntu 18.04上使用tensorflow-gpu
  • 我尝试了多个预先训练的模型,最新的模型是 faster_rcnn_resnet101_coco ,它具有以下配置管道:

    model {
      faster_rcnn {
        num_classes: 10
        image_resizer {
          keep_aspect_ratio_resizer {
            min_dimension: 600
            max_dimension: 1024
          }
        }
        feature_extractor {
          type: 'faster_rcnn_resnet101'
          first_stage_features_stride: 16
        }
        first_stage_anchor_generator {
          grid_anchor_generator {
            scales: [0.25, 0.5, 1.0, 2.0]
            aspect_ratios: [0.5, 1.0, 2.0]
            height_stride: 16
            width_stride: 16
          }
        }
        first_stage_box_predictor_conv_hyperparams {
          op: CONV
          regularizer {
            l2_regularizer {
              weight: 0.0
            }
          }
          initializer {
            truncated_normal_initializer {
              stddev: 0.01
            }
          }
        }
        first_stage_nms_score_threshold: 0.0
        first_stage_nms_iou_threshold: 0.7
        first_stage_max_proposals: 300
        first_stage_localization_loss_weight: 2.0
        first_stage_objectness_loss_weight: 1.0
        initial_crop_size: 14
        maxpool_kernel_size: 2
        maxpool_stride: 2
        second_stage_box_predictor {
          mask_rcnn_box_predictor {
            use_dropout: false
            dropout_keep_probability: 1.0
            fc_hyperparams {
              op: FC
              regularizer {
                l2_regularizer {
                  weight: 0.0
                }
              }
              initializer {
                variance_scaling_initializer {
                  factor: 1.0
                  uniform: true
                  mode: FAN_AVG
                }
              }
            }
          }
        }
        second_stage_post_processing {
          batch_non_max_suppression {
            score_threshold: 0.0
            iou_threshold: 0.6
            max_detections_per_class: 100
            max_total_detections: 300
          }
          score_converter: SOFTMAX
        }
        second_stage_localization_loss_weight: 2.0
        second_stage_classification_loss_weight: 1.0
      }
    }
    
    train_config: {
      batch_size: 1
      optimizer {
        momentum_optimizer: {
          learning_rate: {
            manual_step_learning_rate {
              initial_learning_rate: 0.0003
              schedule {
                step: 900000
                learning_rate: .00003
              }
              schedule {
                step: 1200000
                learning_rate: .000003
              }
            }
          }
          momentum_optimizer_value: 0.9
        }
        use_moving_average: false
      }
      gradient_clipping_by_norm: 10.0
      fine_tune_checkpoint: "/home/franciszek/Pobrane/models-master/research/object_detection/logo_detection/models2/faster_rcnn_resnet101_coco/model.ckpt"
      from_detection_checkpoint: true
      data_augmentation_options {
        random_horizontal_flip {
        }
      }
    }
    
    train_input_reader: {
      tf_record_input_reader {
        input_path: "/home/franciszek/Pobrane/models-master/research/object_detection/logo_detection/data2/train.record"
      }
      label_map_path: "/home/franciszek/Pobrane/models-master/research/object_detection/logo_detection/data2/label_map.pbtxt"
    }
    
    eval_config: {
      num_examples: 8000
      # Note: The below line limits the evaluation process to 10 evaluations.
      # Remove the below line to evaluate indefinitely.
      max_evals: 10
    }
    
    eval_input_reader: {
      tf_record_input_reader {
        input_path: "/home/franciszek/Pobrane/models-master/research/object_detection/logo_detection/data2/test.record"
      }
      label_map_path: "/home/franciszek/Pobrane/models-master/research/object_detection/logo_detection/data2/label_map.pbtxt"
      shuffle: false
      num_readers: 1
    }
    

在这里,您可以看到经过近23小时的训练并达到12万步以上的训练结果:

所以,我的问题是,为什么损失值会随着时间增加?它应该变小或保持大致恒定,但您可以在上图中清楚地看到上升趋势。 我认为一切都已正确配置,并且我的数据集相当不错(而且.tfrecord文件也已正确“构建”)。

要检查是否是我的错,我尝试使用其他用户的数据集和配置文件。因此,我使用了racoon dataset作者的文件(他在his repo上提供了所有必要的文件)。我刚刚下载了它们,并开始进行了未经修改的培训,以检查是否会得到与他相似的结果。

令人惊讶的是,经过82k步长后,我得到的图表与链接文章中显示的图表完全不同(在22k步长后捕获的图​​表)。在这里,您可以看到我们的结果比较:

很明显,我的PC上的某些操作有所不同。我怀疑这可能是我在自己的数据集上损失越来越大的同一原因,这就是我提到它的原因。

1 个答案:

答案 0 :(得分:0)

totalLoss是其他四个损失的加权总和。 (RPN cla和reg损失,BoxCla cla和reg损失),它们都是评估损失。在tensorboard上,您可以选中或取消选中以查看评估结果,仅用于训练或仅用于评估。 (例如,下面的图片有火车摘要和评估摘要)

enter image description here

如果评估损失增加,则可能表明模型过拟合,此外,精度指标略有下降。

要尝试更好的微调结果,您可以尝试调整四个损失的权重,例如,可以增加BoxClassifierLoss/classification_loss的权重,以使模型更好地关注此指标。在您的配置文件中,second_stage_classification_loss_weightfirst_stage_objectness_loss_weight的损失权重均为1,而其他两个均为2,因此该模型目前将重点放在另外两个上。

关于loss_1loss_2为什么相同的另一个问题。这可以通过查看张量流图来解释。

enter image description here

此处loss_2total_loss的摘要,(请注意,total_loss与totalLoss中的不同),红色圆圈的节点是tf.identity节点。该节点将输出与输入相同的张量,因此loss_1loss_2

相同