问题标签 [mobilenet]

我正在尝试重新训练 SSD 模型以检测一类自定义对象（吉他）。我正在使用ssd_mobilenet_v1_coco模型，其中包含从 OpenImage 数据集下载的 1000K 预标记图像的数据集。
我指的是这个答案，试图改进对图像中小物体的检测。

正如那里所建议的那样，我想在已经存在的特征图上添加一个额外的特征图（Conv2d_5_pointwise），因此总共有 7 个特征图。所以，我这样修改了“models/ssd_mobilenet_v1_feature_extractor.py”：

因此，我也将配置文件中的num_layers更改为 7。

但是，当尝试使用 main_model.py 训练模型时，我收到错误消息

我应该修改其他任何东西以使其工作吗？谢谢！

我通过重新训练模型成功地将 ssd_mobilenet_v3 模型转换为 .tflite。（之前在 coco 数据集上训练过）

但是，在使用此模型进行对象检测以使用以下代码对单个图像运行推理时：

我收到以下错误：

请解释错误和可能的解决方案。

张量流版本：1.1.4

操作系统：Ubuntu 18.04

蟒蛇：3.7

PS：我将分类器模型（inception_v2）转换为tflite并使用上面的代码（“interpreter = tf.lite.Interpreter（model_path）”）没有任何错误！

我尝试使用 MobilenetV2 模型作为图像分类器。有 10 个类别，是从 ImageNet 的分类数据集中随机选择的。但是损失在训练过程中并不收敛，它总是倾向于以较大的值来回波动。我不知道我是否正确使用了tensorflow API，因为我对新版本中的eager模式了解不多。谁能帮我？非常感谢。

我使用的版本是 1.14。我尝试直接在 2.0 版本上运行代码，得到了类似的结果。我使用的模型来自https://github.com/qxde01/keras-alchemy/blob/master/models/mobilenet_v2.py

下面是我的训练代码和数据集处理代码：

以下是培训过程的打印内容：

我知道一个可能接受过量化意识训练并且正在量化，而另一个则没有。他们的两个检查点有什么区别吗？因为两者都有相同大小的检查点。我想通过珊瑚边缘 tpu 的量化感知训练为我自己的数据集训练ssd_mobilenet_v1 。当我使用ssd_mobilenet_v1_quantized_coco的检查点时，程序给了我错误，但是如果我使用ssd_mobilenet_v1_coco的检查点，训练成功开始，虽然因为这条线它很慢graph_rewriter { quantization { delay: 0 weight_bits: 8 activation_bits: 8 } }

I create tfrecord files and put them in the right directory C:\Users\Admin\Desktop\models\research\object_detection\data

and then I run train.py then this error pops up

How do I resolve this problem?

I tried some tips I found online and some answers said to put the tfrecord in the right directory, I have tried it and it didn't help, and

What I expect inside the tfrecord file? cause when I open it it is mostly random characters.

我已经使用提供的 MobileNet V3 定义（小）训练了许多图表，但是当我运行（tensorflow）Lucid 以生成可视化时，Lucid 失败并出现错误。如果我修改定义以排除 Squeeze/Excite 块，则会生成可视化。

安装了 Tensorflow 1.14 和 Lucid，我从这里下载了训练有素的 MobileNet V3 图形文件“Small dm=0.75 (float)”（https://github.com/tensorflow/models/tree/master/research/slim/nets/mobilenet )，将文件解压缩到我的“D:/temp”中，然后运行以下代码：

有相当多的堆栈跟踪，但关键错误是：

和

然后我尝试使用“mobilenet_v3.py”中的 V3_SMALL_MINIMALISTIC 定义（注册一个新的特征提取器）来训练一个测试模型。这本质上是相同的模型，但没有“squeeze_excite”插入（尽管我也恢复了 hard_swish 激活函数）。

上面的代码在新模型上运行良好，渲染图像。

这让我相信问题在于“squeeze_excite”实现（在 slim/nets/mobilenet/conv_blocks.py 中）。

但我无法进一步诊断问题：是 Lucid，是 Squeeze/Excite 块，是 TensorFlow，还是只是一个关于世界的事实？

我目前正在研究神经网络，在尝试学习 CNN 时遇到问题，我正在尝试训练包含有关音乐流派的频谱图的数据。我的数据由 27000 个频谱图组成，分为 3 类（流派）。我的数据以 9:1 的比例拆分用于训练和验证

谁能帮助我，为什么我的验证损失/准确性的结果会波动？我正在使用 Keras 的 MobileNetV2 并将其与 3 个 Dense 层连接。这是我的代码片段：

这些是我的验证损失和验证准确度曲线波动太大的图片

有没有办法减少波动或让它变得更好？我在这里有过度拟合或拟合不足的问题吗？我曾尝试使用 Dropout() ，但它只会让情况变得更糟。我需要做什么来解决这个问题？

感谢之前，Aquilla Setiawan Kanadi。

在 cifar10 数据集上训练的 MobilenetV2 tflite 模型需要形状为 1x32x32x3 的输入图像（因为在训练期间使用了批处理标志）但是为了将模型转储到移动设备中，我从相机中获得了 32x32x3 形状图像，因此现在无法将数据输入 tflite.interpreter .......任何建议

我正在尝试使用取自此处的量化 Mobilenetv2 模型在硬件中实现图像分类。为此，我首先需要从头到尾重现推理过程，以确保我了解对数据执行的计算/操作。

第一个目标是Conv 函数。我可以看到它是如何计算的，但是有几个参数传递给这个函数，我想知道它们是如何产生的output_offset, output_multiplier,output_shift, output_activation_min, output_activation_max：我找不到使用这些参数调用Conv()函数的前一个函数。这有望让我了解这些论点是如何产生的。有人可以指出我源代码的正确行吗？

源代码中的另一个空白是interpreter.invoke()函数。我希望跟踪并查看接下来会发生什么，但找不到实现invoke()函数的源代码。非常感谢您的帮助！

我想创建一个带有 tensorflow 对象检测 API 的模型来检测信用卡中的卡号。因此，我准备了大约 50000 张卡片用于训练和 15000 张卡片用于验证的卡片数据集。我的模型是 SSD_Mobilenet_V1_0.25_224，我运行了 280K 步的训练。一切看起来都很好，我total_training_loss低于 1 约 0.8，我validation_classification_loss的为 0.7，validation_localication_loss约 0.02，average_persion为 1.0。这是我的情节，它们似乎很好：

这是我的配置：

一切似乎都很好，但是当我将模型导出为 tflite 格式并在移动设备上使用时，它没有找到任何卡号。这是我的数据集的一个示例：

我的模型似乎过拟合了吗？我该如何解决这个问题？

谢谢！