Darkflow: почему я получаю потерянные / неполные выходные изображения (я тренировался на собственных данных)

Question

Я обучил вас темному потоку, используя свои собственные данные, описание набора данных:

размер набора данных: 3 изображения
классы: 1
имя класса: кока-кола

отредактировал файл yolo.cfg для получения yolo_custom.cfg:

classes = 1
filters = 30

команда для обучения:

python3 flow --model cfg/yolo_custom.cfg --load bin/yolo.weights --batch 1 --epoch 30 --train --annotation train_imgs/Annotations --dataset train_imgs/Images

результат:

Конец 29 эпох (ов)
шаг 88 - потеря 161.10618591308594 - потеря движущегося аве 169.31837991674482
шаг 89 - потеря 159,54132080078125 - потеря движущегося аве 168.346467
шаг 90 - потеря 162.15159606933594 - потеря движущегося прweights, запустил эту команду, чтобы сохранить файл yolo_custom-30.meta в файл built_graph / yolo_custom.pb:

   python3 flow --model cfg/yolo_custom.cfg --load -1 --savepb

Результат:

Использование стандартных файловых API для проверкифайлы с этим префиксом.
Завершено в 9.207940340042114s
Перестроитьпостоянная версия ...
Готово

теперь, когда я тестирую свои изображения, хранящиеся в папке sample_img, с помощью этой команды:

   python3 flow --pbLoad built_graph/yolo_custom.pb  --metaLoad built_graph/yolo_custom.meta --imgdir sample_img/

папка sample_img / out, содержащаяу выходных изображений есть неполное изображение / изображение с потерями, которое содержит только несколько пикселей исходного изображения.и файл json содержит множество ограничивающих рамок.

это не имеет смысла.Я очень смущен.Пожалуйста, помогите ему понять, где я упускаю суть.Большое спасибо.

Answer 1

Ваша потеря слишком высока. Это все еще недостаточно, поэтому ваш вывод может иметь несколько прогнозов. Чтобы понять это, проверьте файл JSON, он может иметь тысячи прогнозов. Следовательно, тренируйте модель для большего количества эпох с небольшим подмножеством данных.