Я пытаюсь переобучить модель обнаружения объекта тензорного потока - более быстрое получение данных (предварительно обученных на iNaturalist).Тем не менее, после обучения примерно 60 тыс. Шагов (когда общая потеря стабилизируется), если я выполню оценку, оценки достоверности моих обнаружений будут слишком низкими, порядка e-5.
Исходная модель имеет около2к классов.Я тренируюсь на 4 классах - почти равное распределение, около 900 образцов.Опция увеличения данных - "random_horizont_flip".
Должно ли я увеличивать количество сэмплов, которые у меня есть?Может быть, есть больше вариантов увеличения?
Любая помощь будет оценена!Спасибо!
Редактировать: файл конфигурации используется
model {
faster_rcnn {
num_classes: 4
image_resizer {
keep_aspect_ratio_resizer {
min_dimension: 600
max_dimension: 1024
}
}
feature_extractor {
type: "faster_rcnn_resnet50"
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: 32
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_batch_size: 2
second_stage_post_processing {
batch_non_max_suppression {
score_threshold: 0.0
iou_threshold: 0.6000000238418579
max_detections_per_class: 25
max_total_detections: 25
}
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 {
momentum_optimizer {
learning_rate {
manual_step_learning_rate {
initial_learning_rate: 0.0003000000142492354
schedule {
step: 3000000
learning_rate: 2.9999999242136255e-05
}
schedule {
step: 3500000
learning_rate: 3.000000106112566e-06
}
}
}
momentum_optimizer_value: 0.8999999761581421
}
use_moving_average: false
}
gradient_clipping_by_norm: 10.0
fine_tune_checkpoint: "/home/vectorweb3/Documents/Development_Sandbox/Manya/experimental-scripts/models/research/oid/faster_rcnn_resnet50_fgvc_2018_07_19/model.ckpt"
from_detection_checkpoint: true
num_steps: 100000
freeze_variables: ".*FeatureExtractor*."
load_all_detection_checkpoint_vars: false
}
train_input_reader {
label_map_path: "/home/vectorweb3/Documents/Development_Sandbox/Manya/experimental-scripts/models/research/object_detection/data/mosquito_label_map.pbtxt"
queue_capacity: 4
min_after_dequeue: 2
tf_record_input_reader {
input_path: "/home/vectorweb3/Documents/Development_Sandbox/Manya/training_input_output_models/set4/tf_records.record"
}
}
eval_config {
num_examples: 40
max_evals: 1
metrics_set: "pascal_voc_detection_metrics"
use_moving_averages: false
min_score_threshold: 0.0
}
eval_input_reader {
label_map_path: "/home/vectorweb3/Documents/Development_Sandbox/Manya/experimental-scripts/models/research/object_detection/data/mosquito_label_map.pbtxt"
shuffle: false
num_readers: 1
tf_record_input_reader {
input_path: "/home/vectorweb3/Documents/Development_Sandbox/Manya/training_input_output_models/set4/tf_records.record"
}
}
Исходный файл конфигурации здесь .Основное различие заключается в следующем:
- количество классов: в исходном случае это 2854, для моей задачи это просто 4
- максимальное количество обнаружений: в исходном случае это всего 4для моей задачи это 25
Потеря тренировки выглядит следующим образом:
