Tensorflow: процесс обучения и оценки - PullRequest
Новая
       11

Tensorflow: процесс обучения и оценки

0 голосов
/ 03 июня 2018

Я использую Tensorflow для локального обучения моего набора данных (с API обнаружения объектов) с 1080 Nvidia 8 ГБ,

Я использую create_pet_tf_record.py для создания файлов TFRecords.Я не тренируюсь с нуля. Я использую mask_rcnn_inception_v2_coco_2018_01_28/model.ckpt как fine_tune_checkpoint.

. Когда я бегу python object_detection/train.py и /eval.py, я проверяю процесс обучения и оценки через Tensorboard.Первоначально все выглядит правильно, как этот pic1 с нулевым шагом.

Интервал контрольной контрольной точки требует много времени для сохранения.После более чем 5,000 этапов обучения оценка переместилась с /model.ckpt-0 на /model.ckpt-3642, и в этот момент весь процесс будет НЕ в порядке, как показано в этом pic2 .

Этоэто мой файл mask_rcnn_inception_v2.config

model {
  faster_rcnn {
    num_classes: 1
    image_resizer {
      fixed_shape_resizer {
        height: 375
        width: 500
      }
    }
    number_of_stages: 3
    feature_extractor {
      type: 'faster_rcnn_inception_v2'
      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
        predict_instance_masks: true
        mask_height: 15
        mask_width: 15
        mask_prediction_conv_depth: 0
        mask_prediction_num_conv_layers: 2
        fc_hyperparams {
          op: FC
          regularizer {
            l2_regularizer {
              weight: 0.0
            }
          }
          initializer {
            variance_scaling_initializer {
              factor: 1.0
              uniform: true
              mode: FAN_AVG
            }
          }
        }
        conv_hyperparams {
          op: CONV
          regularizer {
            l2_regularizer {
              weight: 0.0
            }
          }
          initializer {
            truncated_normal_initializer {
              stddev: 0.01
            }
          }
        }
      }
    }
    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
    second_stage_mask_prediction_loss_weight: 4.0
  }
}

train_config: {
  batch_size: 1
  optimizer {
    momentum_optimizer: {
      learning_rate: {
        manual_step_learning_rate {
          initial_learning_rate: 0.0002
          schedule {
            step: 900000
            learning_rate: .00002
          }
          schedule {
            step: 1200000
            learning_rate: .000002
          }
        }
      }
      momentum_optimizer_value: 0.9
    }
    use_moving_average: false
  }
gradient_clipping_by_norm: 10.0

  fine_tune_checkpoint: "/home/jesse/gpu-py3/models/research/object_detection/models/model/mask_rcnn_inception_v2_coco_train/mask_rcnn_inception_v2_coco_2018_01_28/model.ckpt"
  from_detection_checkpoint: true
  # 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 {
    }
  }
}

train_input_reader: {
  tf_record_input_reader {
    input_path: "/home/jesse/gpu-py3/models/research/ttt/pet_train.record"
  }
  label_map_path: "/home/jesse/gpu-py3/models/research/object_detection/data/pet_label_map.pbtxt"
  load_instance_masks: true
  mask_type: PNG_MASKS
}

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/jesse/gpu-py3/models/research/ttt/pet_val.record"
  }
  label_map_path: "/home/jesse/gpu-py3/models/research/object_detection/data/pet_label_map.pbtxt"
  load_instance_masks: true
  mask_type: PNG_MASKS
  shuffle: false
  num_readers: 1
}

Я не знаю, где я ошибаюсь, я чувствую, что мне следует чаще проводить оценку, и контрольную точку обучения следует сохранять, например, каждые 2000 шагов.Или мне может понадобиться отредактировать файл конвейера mask_rcnn_inception_v2.config.Я не знаю, почему результат обучения очень разочарован после 3642 шагов, как видно из pic2 .

Любая помощь высоко ценится

1 Ответ

0 голосов
/ 06 июня 2018

Мои 2 цента на этом, при условии, что вы не сильно изменили важные параметры конфигурации, ваши тренировочные данные очень разнообразны, и по мере того, как большее количество итераций проходит через обобщение.Попробуйте с более точной маркировкой изображений, даже если это означает меньшее количество изображений.

...