Как повысить точность ssd mobilenet v2 coco с помощью API обнаружения объектов Tensorflow - PullRequest
Новая
       27

Как повысить точность ssd mobilenet v2 coco с помощью API обнаружения объектов Tensorflow

1 голос
/ 14 июня 2019

Я использую Tensorflow Object Detection API для создания пользовательского детектора объектов.Я использую обученные модели COCO для трансферного обучения.

Я обучил его с помощью Faster Rcnn Resnet и получил очень точные результаты, но скорость вывода этой модели очень низкая.Я пытался тренировать его с SSD mobilenet V2, которая имеет очень быструю скорость, но с этой моделью у меня очень низкая точность.Есть ли что-то, что я могу изменить в конфигурационном файле, чтобы повысить точность модели?Или модель SSD не даст очень точных результатов, поскольку это облегченная модель?Вот файл конфигурации, который я сейчас использую.(Я тренировал это, используя ~ 150 изображений и 10000 шагов) 

  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
        reduce_boxes_in_lowest_layer: true
      }
    }
    image_resizer {
      fixed_shape_resizer {
        height: 900
        width: 400
      }
    }
    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: 3
        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
            }
          }
        }
      }
    }
    feature_extractor {
      type: 'ssd_inception_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,
        }
      }
      override_base_feature_extractor_hyperparams: true
    }
    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: 0
      }
      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: 12
  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: "/content/models/research/pretrained_model/model.ckpt"
  from_detection_checkpoint: true
  num_steps: 10000
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
  data_augmentation_options {
    ssd_random_crop {
    }
  }
}```

Ответы [ 2 ]

0 голосов
/ 14 июня 2019

Очень сложно получить высокую точность от модели, которая была разработана для работы на мобильных телефонах.

Я предлагаю использовать модель высокой точности и сократить время вывода.Конвертировать модель в TensorRT.

https://github.com/tensorflow/tensorrt/tree/master/tftrt/examples/object_detection

0 голосов
/ 14 июня 2019

Вы можете увеличить количество шагов: 

num_steps : 2000000

И затем, если потеря составляет около 1 или 2, а результаты прогноза все еще не удовлетворяют, тогда ничего нельзя сделать. Вы можете попробовать другую модель. Вы также можете обратиться к обученным наборам данных COCO и выбрать один с более высоким COCO mAP [^ 1] и меньшей скоростью (мс).

Вы можете попробовать разные модели и посмотреть, что лучше всего подходит для вашего приложения.

Если проблема не устранена, попробуйте увеличить количество тренировочных образов

...