В настоящее время я выполняю тонкую настройку модели ssd mobilenet v2, чтобы улучшить обнаружение человека.
Мой код ssd_mobilenet_v2_coco_config:
# SSD with Mobilenet v2 configuration for MSCOCO Dataset.
# Users should configure the fine_tune_checkpoint field in the train config as
# well as the label_map_path and input_path fields in the train_input_reader and
# eval_input_reader. Search for "PATH_TO_BE_CONFIGURED" to find the fields that
# should be configured.
model {
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
}
}
image_resizer {
fixed_shape_resizer {
height: 300
width: 300
}
}
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
}
}
batch_norm {
train: true,
scale: true,
center: true,
decay: 0.9997,
epsilon: 0.001,
}
}
}
}
feature_extractor {
type: 'ssd_mobilenet_v2'
min_depth: 16
depth_multiplier: 1.0
use_depthwise: true
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,
}
}
}
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: 3
}
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: 24
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: "D:/Databases/Coco/cctv/tf/ssd_mobilenet_v2_coco_2018_03_29/model.ckpt"
fine_tune_checkpoint_type: "detection"
# Note: The below line limits the training process to 200K steps, which we
# empirically found to be sufficient enough to train the pets dataset. This
# effectively bypasses the learning rate schedule (the learning rate will
# never decay). Remove the below line to train indefinitely.
num_steps: 200000
data_augmentation_options {
random_horizontal_flip {
}
}
data_augmentation_options {
ssd_random_crop {
}
}
}
train_input_reader: {
tf_record_input_reader {
input_path: "D:/Code/Image/cctvmodel/tfrecordfinalALL/train2.record"
}
label_map_path: "D:/Code/Image/cctvmodel/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: "D:/Code/Image/cctvmodel/tfrecordfinalALL/test2.record"
}
label_map_path: "D:/Code/Image/cctvmodel/label_map.pbtxt"
shuffle: false
num_readers: 1
}
Файл конфигурации настроен для переподготовки.Для запуска файла конфигурации я использую следующий код:
(tensorflow) c:\models-master\research>python object_detection/legacy/train.py --logtostderr --train_dir=training/model2/ --pipeline_config_path=training/ssd_mobilenet_v2_2.config
Для тонкой настройки я обращаюсь к учебному пособию 1 .В нем говорится, что для точной настройки модели необходимо сделать следующее:
1) Создать обучающий файл pipe.config для обучения обнаружению объектов: изменить один из /path/to/pretrainedModels/faster_rcnn_resnet50_lowproposals_coco_2017_11_08/pipeline.config, просто изменив num_classes, fine_tune_checkpoint, num_steps, label_map_path and tf_record_input_reader/input_path.
2) Установите правильное значение для from_detection_checkpoint.Если вы выполняете тонкую настройку с предварительно обученной модели обнаружения объекта, установите для нее значение true;если из модели, прошедшей предварительную подготовку к классификации, задайте для нее значение false.
3) Используйте следующую команду для обучения:
From the tensorflow/models/research/ directory
python object_detection/train.py \
--logtostderr \
--train_dir=${PATH_TO_TRAIN_DIR} \
--pipeline_config_path=${PATH_TO_YOUR_PIPELINE_CONFIG}
Я заметил, что многие учебные пособия очень похожи на приведенные выше.,Тем не менее, инструкция не является полным примером оптимального процесса тонкой настройки.Если подумать, как в Керасе выполняется тонкая настройка, то она тихая, гибкая и продуманная.
Например, как включить состояния, которые необходимо заморозить, и указать, какие подмножества слоев следует обучать.Кроме того, какие оптимальные условия для SSD mobile net v2, так как модели различаются.В большинстве случаев верхние слои заморожены, а последние 5 слоев точно настроены.
Тем не менее, добавляем ли мы в выпадающий слой и т. Д. Однако, как этого можно добиться с помощью файлов конфигурации.
Какие дополнительные параметры необходимо установить для оптимизации точной настройки?
Тем не менее, есть еще один пример, который выполняет тонкую настройку через ноутбуки Python учебник 3 .Какой оптимальный способ?