我正在使用Tensorflow对象检测API创建自定义对象检测器。我正在使用COCO训练有素的模型进行迁移学习。
我使用Faster Rcnn Resnet对其进行了训练,并获得了非常准确的结果,但是该模型的推理速度非常慢。我尝试使用速度非常快的SSD mobilenet V2对其进行培训,但是此模型的准确性非常低。我可以在配置文件中进行任何更改以提高模型的准确性吗?还是SSD模型是轻量级模型,会不会给出非常准确的结果? 这是我现在正在使用的配置文件。 (我使用约150张图像并进行了10000步训练)
ssd {
num_classes: 1
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
reduce_boxes_in_lowest_layer: true
}
}
image_resizer {
fixed_shape_resizer {
height: 900
width: 400
}
}
box_predictor {
convolutional_box_predictor {
min_depth: 0
max_depth: 0
num_layers_before_predictor: 0
use_dropout: false
dropout_keep_probability: 0.8
kernel_size: 3
box_code_size: 4
apply_sigmoid_to_scores: false
conv_hyperparams {
activation: RELU_6,
regularizer {
l2_regularizer {
weight: 0.00004
}
}
initializer {
truncated_normal_initializer {
stddev: 0.03
mean: 0.0
}
}
}
}
}
feature_extractor {
type: 'ssd_inception_v2'
min_depth: 16
depth_multiplier: 1.0
conv_hyperparams {
activation: RELU_6,
regularizer {
l2_regularizer {
weight: 0.00004
}
}
initializer {
truncated_normal_initializer {
stddev: 0.03
mean: 0.0
}
}
batch_norm {
train: true,
scale: true,
center: true,
decay: 0.9997,
epsilon: 0.001,
}
}
override_base_feature_extractor_hyperparams: true
}
loss {
classification_loss {
weighted_sigmoid {
}
}
localization_loss {
weighted_smooth_l1 {
}
}
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: 12
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: "/content/models/research/pretrained_model/model.ckpt"
from_detection_checkpoint: true
num_steps: 10000
data_augmentation_options {
random_horizontal_flip {
}
}
data_augmentation_options {
ssd_random_crop {
}
}
}```
答案 0 :(得分:0)
您可以增加步骤数:
num_steps : 2000000
然后,如果损失在1或2左右,而预测结果仍不令人满意,则无法采取任何措施。您可以尝试其他模型。您还可以参考经过COCO训练的数据集,并选择一个具有较高COCO mAP [^ 1]和较低速度(ms)的数据集。
您可以尝试不同的模型,并查看哪种模型最适合您的应用程序。
如果仍然存在,问题仍然存在,您可以尝试增加训练图像的数量
答案 1 :(得分:0)
答案 2 :(得分:0)
有很多地方可以改善。
通常,您要为SSD使用较小的输入大小,例如320x320,应该比当前输入尺寸900x400至少快3倍。
此外,您只有1个前景类。您通常需要仔细检查所需的锚点和min_size / max_size,所有这些都与SSD中使用的先验盒有关。我非常确定,适用于ms-coco的默认配置不能很好地完成许多任务。例如,如果这是汽车板块检测任务,则板块宽度远大于高度,因此您可以放心地放下aspect_ratios <= 1。
此外,min_size和max_size也很重要。如果使用默认设置,则锚框的大小将比输入图像的大小更大,这是您期望的吗?如果没有,您也要调整设置。
此外,您想深入了解哪些数据增强最适合您的问题。最近,还增加了自动增强功能。
最后,您总是可以通过使用新的损失来提高性能,例如聚焦损失进行分类。