Переоснащение в API обнаружения объектов Tensorflow

Question

Я обучаю модель API обнаружения объектов тензорного потока в пользовательском наборе данных, т.е. в наборе данных номерных знаков. Моя цель - развернуть эту модель на периферийном устройстве с использованием tenorflow lite, поэтому я не могу использовать модель семейства RCNN . Потому что я не могу преобразовать любую модель обнаружения объектов семейства RCNN в модель тензорного потока (это ограничение API обнаружения тензорного потока). Я использую ssd_mobilenet_v2_coco модель для обучения пользовательского набора данных. Ниже приведен фрагмент кода моего конфигурационного файла:

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: 1
        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
      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: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/experiments/training_SSD/ssd_mobilenet_v2_coco_2018_03_29/model.ckpt"
  fine_tune_checkpoint_type:  "detection"
  num_steps: 150000
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
  data_augmentation_options {
    ssd_random_crop {
    }
  }
}

train_input_reader: {
  tf_record_input_reader {
    input_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/training.record"
  }
  label_map_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/classes.pbtxt"
}

eval_config: {
  num_examples: 488
  num_visualizations : 488
}

eval_input_reader: {
  tf_record_input_reader {
    input_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/testing.record"
  }
  label_map_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/classes.pbtxt"
  shuffle: false
  num_readers: 1
}

У меня всего 1932 изображения (изображения поездов: 1444 и изображения val: 448). Я обучил модель для 150000 шагов . Ниже приводится вывод с тензорной доски:

PrecisionBoxes Precision mAP@0.5 IOU : после шагов 150K точность модели обнаружения объектов (mAP@0.5 IOU) составляет ~ 0,97, т.е. 97%. Что, кажется, хорошо в данный момент.

Потеря тренировки: После шагов 150K потеря тренировки составляет ~ 1,3. Кажется, все в порядке.

Потеря оценки / проверки : После шагов 150K потери оценки / проверки составляют ~ 3,90 что довольно высоко Однако существует огромная разница между тренировкой и потерей оценки. Есть ли переоснащение? Как я могу преодолеть эту проблему? На мой взгляд, потери при обучении и оценке должны быть близки друг к другу.

• Как можно уменьшить потери при проверке / оценке?
• Я использую файл конфигурации по умолчанию, поэтому по умолчанию use_dropout: false. Должен ли я изменить его на use_dropout: true в случае наличия переобучения?
• Каким должен быть допустимый диапазон потерь при обучении и проверке для модели обнаружения объекта?

Пожалуйста, поделитесь своими взглядами. Благодарю вас!