неправильный результат при прогнозировании идентичного объекта на разных изображениях [Tensorflow]

Question

Я использовал предварительно обученную модель fast_rcnn_resnet101_coco.config с моим собственным набором данных

У меня есть две проблемы 1 - некоторые элементы были пропущены, когда я изучил их с большим количеством шагов и проверил одни и те же учебные данные, но все еще есть некоторые пропущенные данные

2- в некоторых идентичных объектах, которые были предсказаны правильно на некоторых изображениях, а иногда пропущены

любая помощь будет оценена

я приложил свои данные конфигурации

model {
  faster_rcnn {
    num_classes: 20
    image_resizer {
      keep_aspect_ratio_resizer {
        min_dimension: 600
        max_dimension: 1024
      }
    }
    feature_extractor {
      type: "faster_rcnn_resnet101"
      first_stage_features_stride: 16
    }
    first_stage_anchor_generator {
      grid_anchor_generator {
        height_stride: 16
        width_stride: 16
        scales: 0.25
        scales: 0.5
        scales: 1.0
        scales: 2.0
        aspect_ratios: 0.5
        aspect_ratios: 1.0
        aspect_ratios: 2.0
      }
    }
    first_stage_box_predictor_conv_hyperparams {
      op: CONV
      regularizer {
        l2_regularizer {
          weight: 0.0
        }
      }
      initializer {
        truncated_normal_initializer {
          stddev: 0.009999999776482582
        }
      }
    }
    first_stage_nms_score_threshold: 0.0
    first_stage_nms_iou_threshold: 0.699999988079071
    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 {
        fc_hyperparams {
          op: FC
          regularizer {
            l2_regularizer {
              weight: 0.0
            }
          }
          initializer {
            variance_scaling_initializer {
              factor: 1.0
              uniform: true
              mode: FAN_AVG
            }
          }
        }
        use_dropout: false
        dropout_keep_probability: 1.0
      }
    }
    second_stage_post_processing {
      batch_non_max_suppression {
        score_threshold: 0.0
        iou_threshold: 0.6000000238418579
        max_detections_per_class: 3000
        max_total_detections: 30000
      }
      score_converter: SOFTMAX
    }
    second_stage_localization_loss_weight: 2.0
    second_stage_classification_loss_weight: 1.0
  }
}
train_config {
  batch_size: 1
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
  optimizer {
    adam_optimizer {
      learning_rate {
        manual_step_learning_rate {
          initial_learning_rate: 0.0003000000142492354
          schedule {
            step: 900000
            learning_rate: 2.9999999242136255e-05
          }
          schedule {
            step: 1200000
            learning_rate: 3.000000106112566e-06
          }
        }
      }
    }
  }
  gradient_clipping_by_norm: 10.0
  fine_tune_checkpoint: "C:/tensorflow1/models/research/object_detection//faster_rcnn_resnet101_coco_2018_01_28/model.ckpt"
  from_detection_checkpoint: true
  num_steps: 12690
}
train_input_reader {
  label_map_path: "C:/AIModels/AmazonTagModified/1/Data/Layout/training/labelmap.pbtxt"
  tf_record_input_reader {
    input_path: "C:/AIModels/AmazonTagModified/1/Data/Layout/train.record"
  }
}
eval_config {
  num_visualizations: 12
  num_examples: 12
  eval_interval_secs: 0
  visualization_export_dir: "C:/tensorflow1/models/research/object_detection/logs"
  metrics_set: "coco_detection_metrics"
  visualize_groundtruth_boxes: true
  include_metrics_per_category: true
}
eval_input_reader {
  label_map_path: "C:/tensorflow1/models/research/object_detection/training/labelmap.pbtxt"
  shuffle: false
  num_readers: 1
  tf_record_input_reader {
    input_path: "C:/tensorflow1/models/research/object_detection/test.record"
  }
}