Установка среднего значения канала в конфигурационном файле для задачи обнаружения объектов в записной книжке keras jupyter - PullRequest
Новая
       21

Установка среднего значения канала в конфигурационном файле для задачи обнаружения объектов в записной книжке keras jupyter

0 голосов
/ 16 октября 2019

Я пытаюсь разработать модель обнаружения объекта для своего собственного набора данных в ноутбуке jupyter и для этого использую керасы. Я хочу обучить модель vgg в Faster Rcnn, получить весовые коэффициенты с первой эпохи и сохранить весовые коэффициенты в .h5, чтобы ее можно было использовать для прогнозирования новых объектов на изображении. Первым шагом является определение модели конфигурации, где я определил конфигурации. Как получить мудрое значение канала для моих тренировочных изображений (цвет) или это константа для VGG16 и других CNN. Кто-нибудь может порекомендовать решение для этого? Я запустил несколько эпох (50) с этим конфигом и быстрее RCNN и получаю mAP в виде нулей. В чем причина? 

class Config:

def __init__(self):

    # Print the process or not
    self.verbose = True

    # Name of base network
    self.network = 'vgg'

    # Setting for data augmentation
    self.use_horizontal_flips = False
    self.use_vertical_flips = False
    self.rot_90 = False

    # Anchor box scales
    # Original anchor_box_scales in the paper is [128, 256, 512]
    self.anchor_box_scales = [64, 128, 256] 

    # Anchor box ratios
    self.anchor_box_ratios = [[1, 1], [1./math.sqrt(2), 2./math.sqrt(2)], [2./math.sqrt(2), 1./math.sqrt(2)]]
    self.im_size = 800

    # image channel-wise mean to subtract
    self.img_channel_mean = [103.939, 116.779, 123.68]
    self.img_scaling_factor = 1.0

    # number of ROIs at once
    self.num_rois = 4

    # stride at the RPN (this depends on the network configuration)
    self.rpn_stride = 16

    self.balanced_classes = False

    # scaling the stdev
    self.std_scaling = 4.0
    self.classifier_regr_std = [8.0, 8.0, 4.0, 4.0]

    # overlaps for RPN
    self.rpn_min_overlap = 0.3
    self.rpn_max_overlap = 0.7

    # overlaps for classifier ROIs
    self.classifier_min_overlap = 0.1
    self.classifier_max_overlap = 0.5

    # placeholder for the class mapping, automatically generated by the parser
    self.class_mapping = None

    self.model_path = None
...