微调ssd移动电话

Question

我目前正在使用ssd移动网络TensorFlow API进行车辆检测。我从coco数据集中创建了一个自定义数据集，该数据集包含coco中的所有车辆类别，即汽车、自行车、摩托车、公共汽车、卡车，我还有一个730辆人力车图像的数据集。

最终，我的目标是发现人力车以及其他车辆。但到目前为止我失败了。

train_labels.csv中总共有16000个实例，每个类平均有2300个实例。我设置了批次大小= 12，然后在我的自定义数据集上训练coco预培训模型12000步。

但不幸的是，我并没有取得好的成绩。经过训练，它没有对其他车辆进行分类。

对于数据集中每个类的比例有什么建议，或者我需要更多的人力车图像，我应该冻结多少层？或者可能是一个不同的观点，将受到高度赞赏。

Answer 1

1. 由于您有一个自定义数据集的730人力车图像，我认为没有必要提取不同的其他车辆数据集从可可数据集微调。我的意思是，tensorflow预先训练的模型非常擅长检测除了人力车以外的所有其他车辆。你的任务只是教模型，如何发现人力车。
2. 另一种选择是，由于您已经有了一个车辆数据集，您可以尝试使用COCO的检查点来训练一个模型。https://towardsdatascience.com/how-to-train-your-own-object-detector-with-tensorflows-object-detector-api-bec72ecfe1d9 通过上面的文章，它将给您一个公平的想法，开始到结束的流程。作者在coco数据集上对ssd移动网络模型进行了调整，以检测浣熊图像。浣熊是唯一一个新的类作者想要发现的。在你的例子中，你只需要用人力车图片代替浣熊，并且遵循完全相同的步骤。它的作者使用了Google，但您可以更改配置文件，以便在本地机器上对其进行调优。考虑到你只有730个新图像，调整它不需要时间。 这是另一个很好的例子，以防事情不清楚，https://towardsdatascience.com/building-a-toy-detector-with-tensorflow-object-detection-api-63c0fdf2ac95。

问你是否需要更多的数据，更多的数据总是更好。我建议的是使用上述步骤优化模型并检查mAP。如果您认为mAP很低，并且您的预期应用程序的性能还不够高，那么收集更多的数据，然后再调一次。

如果你有任何问题请告诉我。