1

如何在没有迁移学习的情况下从 tensorflow 对象检测模型动物园重新训练 ssd-mobilenet-v2。我的意思是每一个重量，而不仅仅是最后一层。

我是否必须构建网络架构和训练脚本，或者我可以对训练自定义对象检测器的文档中指定的 .config 文件或 train.py 脚本进行一些小的更改。

这种方法会改善/恶化网络准确性/损失吗？

提前感谢您的帮助。

4

1 回答 1

2

首先，默认情况下所有参数都被重新训练，除非您在 pipeline.config 中另有定义。

有一个名为pipeline.config的文件，您可以使用它来控制您的训练过程。 https://github.com/tensorflow/models/blob/master/research/object_detection/samples/configs/ssd_mobilenet_v2_coco.config

在配置文件中，您可以定义是否要从检查点加载模型参数。您可以选择多种操作： 1. 为骨干网加载参数（即您的 mobilenet 特征提取器） 2. 为预测和回归头加载参数。3.不要加载参数（通常你不会喜欢这个——训练和收敛需要更长的时间）

更具体地说，您应该关注 pipline.config 中的以下节点：

  1. Fine_tune_checkpoint - 用于迁移学习的原始模型的检查点。
  2. fine_tune_checkpoint_type - 定义检查点是否是分类/检测
  3. load_all_detection_checkpoint_vars - 如果为True - 那么来自 fine_tune_checkpoint 的参数将在训练开始之前加载。
  4. freeze_variables - 如果您不想重新训练所有参数，您可以定义要冻结的变量。（在他们的原型文件object_detection/protos/train.proto中查看这些的完整文档）- https://github.com/tensorflow/models/blob/master/research/object_detection/protos/train.proto

例子：

153   fine_tune_checkpoint: "<PATH-TO-DOWNLOADED-CKPT>/model.ckpt"
154   fine_tune_checkpoint_type: detection
155   load_all_detection_checkpoint_vars: true

所有参数都将被加载和重新训练。

于 2020-04-13T09:47:07.347 回答