问题标签 [efficientnet]

我在 EfficientNetB0 和 ResNet50 上进行了推理速度测试（两者都是 TensorFlow 实现，没有头，并且在 imagenet 权重上进行了预训练）。考虑到 EfficientNetB0 的参数数量较少（几乎是 1/6），我预计它会更快。但是，在我的小型实验中，GPU 并非如此。我在 Colab 上的 CPU 和 TPU 上对此进行了测试，EfficientNetB0 在这两个硬件上更快。对此有什么解释吗？我现在明白了，较低的 FLOPS 数量与较低的推理速度没有直接关系，但是不同硬件上的速度不同是否有特定的原因。这是预期的行为吗？另外，据我所知，如果有人可以分享有关影响推理速度的因素的资源，那将是很棒的。

我正在尝试使用 EfficientNet 进行迁移学习并收到此错误任何答案请提供详细信息如何解决。错误是当我尝试训练模型时。由于某种原因，它有时无法读取图像。

我有这个错误，我知道它与枕头和阅读图像或张量流有关：

我有一个大数据集，我想通过这个数据集训练efficientnetb0，但是 google colab 运行超时，所以我想训练模型的完全连接层并保存它，然后在几个小时后再次加载并微调基本模型（高效网络b0）。我怎样才能做到这一点？

我将原始数据图像保存在单独的 CSV 文件中（文件中的每个图像）。我想使用 PyTorch 对它们进行 CNN 训练。我应该如何加载适合用作 CNN 输入的数据？（另外，它是 1 通道，图像网络的输入默认为 RGB）

我将用 4 个带有图像的类来训练我的模型。

这是我预先训练的代码看起来像

我用这样的代码训练了我的模式：

但是出现了如下问题：

有什么帮助吗？

我是 python 新手，所以对于我的大学期末项目，我使用 EfficientNet 将成熟棕榈油分为 4 类。我总共有 5852 个训练数据（每个 1463 个）和 132 个测试数据（每个 33 个）。我使用了来自互联网的代码。但结果远非好。我已经添加了 layers.dropout 以防止/避免欠拟合。我还使用 imagenet 进行迁移学习。有什么解决方案可以改善结果吗？

编辑：我已经将我的代码从 conv_base.trainable = False 更改为 conv_base.trainable = True。但我觉得结果还是不好

这是我的完整代码：https ://drive.google.com/file/d/1OeiSA23xmF5ceq19aqc1l20mlT3Uxocs/view?usp=sharing

这是我的结果

我正在尝试在我的数据集上运行以下代码：https ://github.com/fgabel/EfficientDet-DeepSORT-Tracker

但是我遇到了以下错误：

然后我也尝试在终端中导入 tensorflow，发现同样的错误。

我在安装了 pytorch 和 tesnorflow 的虚拟环境中工作。我还在环境中安装了 protobuf。在搜索错误时，我找到了答案，唯一的解决方案是同时卸载 tensorflow 和 protobuf，然后再次安装 tensorflow 以自动安装 protobuf。

但就我而言，如果我卸载 tensorflow，那么由于 pytorch 的存在，我将无法再次安装 tensorflow。

如果在提供任何解决方案时需要，这些是详细信息：

Python：3.9.6（通过 anaconda 安装）

protobuf：3.9.2（通过 pip 安装）

Pytorch：1.9.0.post2

CUDA：10.2.89

Cuda 编译工具，7.5 版，V7.5.17

库登：7.6.5

请让我知道可以做些什么来解决这个问题。

我使用来自“https://github.com/rwightman/pytorch-image-models”的预训练 EfficientNet-v2-b3 模型和 pytorch 框架来训练烟盒。火车如下：

1. 有1100个等级，每个等级是一种卷烟规格。所有的图像都存储在一个名为 original_dataset_20210805 的目录中，每个子目录代表一类图像。

2. 删除每个只有少于 50 个图像的类。剩下959个班。

3. 对于每个类，随机选择 10 张图像进入名为“valData”的验证数据集，随机选择大约 1/10 幅图像进入名为“testData”的测试数据集，剩余的图像被选入名为“trainData”的训练数据集。

4. 对于每张图像，将其大小调整为 w×h = 200×300。

5. 为了增强数据，将每个图像旋转 90°，并将每个类别的所有旋转 90° 的图像选择为一个类别。例如，如果有一个香烟规格 A，则将 A 的所有图像旋转 90°，并将所有旋转的图像命名为新的类 A-rot1。然后旋转180°得到A-rot2，旋转270°得到A-rot3。对所有类进行轮换，然后我们有 959×4=3836 个类。

6. “trainData”有 502172 张图像，“valData”有 38360 张图像，“testData”有 21463 张图像。

7. 使用预训练模型开始训练。保存最佳模型如下：

出口列车if train_acc >= 0.99 and val_acc >= 0.99

8. 在 Epoch 121，火车以 train_acc 0.9911 和 val_acc 0.9902 退出。

9. 使用最佳模型推断testData，准确度为0.981。使用最好的模型来推断 trainData，我预计准确率应该超过 0.99，但实际上是 0.84。在 valData 上使用模型，实际准确率为 0.82。这很奇怪。然后我在另一个 original_dataset_20210709 上使用最好的模型，它与上面的 original_dataset_20210805 有些不同。并且 original_dataset_20210709 中的图像没有被调整为 w×h=200×300。准确度为 0.969。

10. 推断代码如下：

11. 我检查了 python 代码，发现可能的原因可能是在输入模型之前对图像的转换。变换代码如下：

为了验证我的猜测，对于推断数据集“valData”（不使用“trainData”，因为它需要太多时间），我将转换从 更改transform_test = build_transforms(cfg.img_height, cfg.img_width, 'test') 为transform_test = build_transforms(cfg.img_height, cfg.img_width, 'train'). 预计准确度为 0.9918。

我的问题是：

• 作为参考，经过训练的模型在 testData 上的准确度为 0.989，但在 trainData 上的准确度约为 0.84，在 valData 上的准确度约为 0.82。
• 我在转换中做错了什么？
• 还是有其他原因造成这种奇怪现象？</li>

感谢所有愿意回答问题的人。

附1：12）验证码如下：

13. load_data 代码是：

14. “TheDataset”类定义如下：

附加2：15）整个train.py是：

我有 5 个 EfficientNetB3 模型的堆叠模型。我试图从中得到预测。以下是数据集和模型构建：

数据集：

堆叠模型：

我正在尝试使用以下代码段进行预测：

但是，我收到以下错误：

ValueError：层模型需要 5 个输入，但它接收到 3035 个输入张量。收到的输入：[<tf.Tensor 'IteratorGetNext:0' shape=(None, 300, 300, 3) dtype=float32>, <tf.Tensor 'IteratorGetNext:1' shape=(None, 300, 300, 3) dtype =float32>, <tf.Tensor 'IteratorGetNext:2' shape=(None, 300, 300, 3) dtype=float32>, <tf.Tensor 'IteratorGetNext:3' shape=(None, 300, 300, 3) dtype =float32>, <tf.Tensor 'IteratorGetNext:4' shape=(None, 300, 300, 3) dtype=float32>, <tf.Tensor 'IteratorGetNext:5' shape=(None, 300, 300, 3) dtype =float32>, <tf.Tensor 'IteratorGetNext:6' shape=(None, 300, 300, 3) dtype=float32>, <tf.Tensor 'IteratorGetNext:7' shape=(None, 300, 300, 3) dtype =float32>, <tf.Tensor 'IteratorGetNext:8' shape=(None, 300, 300,

我该如何解决这个错误？顺便说一句，数据集有 1214 张图像。提前致谢。

我尝试在带有 tensorflow Lite 的 google colab 上使用 EfficientNet-Lite4，但出现错误name 'efficienetnet_lite4_spec' is not defined我该怎么办？还是仅适用于 EfficientNet-Lite0？