使用ssd_mobilenet_v2_quantized_300x300_coco的目标检测模型的损失在每10k-12k步长后增加

Question

我正在自定义数据集上重新训练ssd_mobilenet_v2_quantized_300x300_coco对象检测模型。该数据集由大约2.6k图像和19个类组成。在训练步长达到10k-12k之后，损失图开始增加。即使我在相同的步长范围内将我的模型更改为ssd_mobilenet_v2_coco，也会发生这种情况。我在配置文件中找不到与此行为相关的任何内容。同样，在使用faster_rcnn模型时，这一点也会消失。当问题出现时，mAP变得几乎不变。而且准确率不会超过50%。有人能解释这种行为吗？

样本数据集：

​

​

损失图

a) ssd_mobilenet_v2_quantized_300x300_coco

​

b) ssd_mobilenet_v2_coco

​

​

配置文件: a) ssd_mobilenet_v2_quantized_300x300_coco

https://pastebin.com/BBwqEruK

b) ssd_mobilenet_v2_coco

https://pastebin.com/F8K0BhQV

Answer 1

那你的训练损失呢？请注意，total_loss是这里的验证损失。

如果你的训练损失在减少，而验证损失在增加，这显然是过拟合的迹象，你可以在训练期间通过在配置文件中添加以下内容来使用正则化损失，部分train_config

add_regularization_loss: true

就像batch_size: 24一样