问题标签 [object-detection-api]

这是这个 Github issue的后续问题。长话短说，我尝试将 Tensorflow 对象检测 API 与我自己的数据集一起使用。一切正常，直到突然崩溃并显示以下错误消息：

起初我以为我的数据集中可能有一些不一致的图像，即有一些 png 保存为 jpg，反之亦然，所以我去扫描数据集中的所有图像并修复它们。我对这样的任务使用了以下方法：

然后我用于EmguCV检索图像深度/通道数，以避免从错误的深度引起任何进一步的问题！然后注释图像 abdTFRecord再次创建一个新的，然后开始一个新的培训课程。

这是我再次得到的：

我使用了我的图像的一个随机子集（10K 图像而不是 300K）并再次得到相同的错误：

问题是，我的数据集中根本没有错误消息中报告的形状的任何图像。

以下是一些补充信息：

• 操作系统平台和分发：Windows 10 x64 1703, Build 15063.540
• TensorFlow 安装自（源代码或二进制文件）：binary (used pip install )
• TensorFlow 版本（使用下面的命令）：1.3.0
• 蟒蛇版本：3.5.3
• CUDA/cuDNN 版本：Cuda 8.0 /cudnn v6.0
• GPU型号和内存：GTX-1080 - 8G

当我开始训练时，这个过程只发生在 CPU 上。这是我在启动时收到的消息：

忽略节点 'prefetch_queue_Dequeue' 的设备规范 /device:GPU:0 因为来自 'prefetch_queue' 的输入边是参考连接并且已经将设备字段设置为 /device:CPU:0

并且当 GPU 内存被填满时，只有 GPU 负载的突然峰值，并且大部分是 0%。不用说，性能非常缓慢。

似乎所有内容都加载到 CPU 而不是 GPU，因为 CPU 利用率接近 100%：

我还注意到在 ubuntu 中存在同样的问题，但它至少比 windows 分支快 4 倍（每个步骤需要 400 毫秒，而在 windows 中需要 1300 毫秒）
我在 Ubuntu（14.04）和Windows 和它们都使用pip install --upgrade tensorflow-gpu command
以下是整个日志安装：

出了什么问题以及如何解决这个问题？
顺便说一下，这里有一些补充信息：

• 操作系统平台和分发：Windows 10 x64 1703, Build 15063.540
• TensorFlow 安装自（源代码或二进制文件）：binary (used pip install )
• TensorFlow 版本（使用下面的命令）：1.3.0
• 蟒蛇版本：3.5.3
• CUDA/cuDNN 版本：Cuda 8.0 /cudnn v6.0
• GPU型号和内存：GTX-1080 - 8G

更新：
评论部分建议片段的输出如下：

输出：

我正在使用 Tensorflow 对象检测 API 训练 ssd_inception 神经网络。在管道配置文件中，有预处理器选项可在训练期间增强图像。有没有办法引入应用给定预处理的概率？例如 20% 的图像会改变对比度等。如果没有，是否有计划这样做？

ODA我对自己的数据集进行了快速测试。我注意到它只检测到一个类，好像只有一个类！

这是一个检测到正确类的示例：

例子

这是一个不做任何事情的例子！：

并且打印在每个图像下方的这些数字是classes我打印的变量的内容（下面给出的代码），以查看是否有任何其他类被识别。

这是一个错误地检测到一个类的例子（你可以再次看到它只检测到类 1）：

所以基本上它只在类 1 周围画一个矩形！并完全忽略第 2 类。我正在使用 Jupyter notebook 示例中提供的代码，如下所示：

我什至尝试设置min_score_thresh=0.1但没有任何改变！然后我尝试max_boxes_to_draw了如你所见，再次无济于事。代码方面的任何其他内容都与此相同，除了它从 Internet 下载模型的部分，我将其注释掉并阅读了我自己的预训练模型。

我是对象检测的新手，不知道是什么原因造成的。

更新：

我的标签图看起来像这样：

我的数据集由如下 XML 文件组成，这些文件使用我在下面给出的代码片段转换为 CSV。注释示例：

这是我用来将 XML 转换为 CSV 的片段：

最后这就是我创建 TFRecords 的方式：

我是 tensorflow 的新手，正在尝试训练自己的对象检测模型。

硬件：尝试了很多东西，但最大的是 32gb cpu。还尝试了 8gb cpu 和 2gb gpu。

所有正在运行的窗口，python 3.6.2 和 tensorflow 1.3

我一直在关注这里的指南https://pythonprogramming.net/introduction-use-tensorflow-object-detection-api-tutorial/

错误是：（对不起，VM 已关闭，这就是我所拥有的） 错误消息 OOM

批量：3

我开始认为我的问题是初始图像大小（4mb，4288x3216），所以我一直在尝试其他资源（纸张空间）并且仍然在 8gb gpu 上耗尽内存。

我有 571 张图像来训练模型，还有 250 多张图像用于测试，大小都一样。

关于传递模型少量数据以便我可以保持运行的任何建议？

作为建议的评论之一，我可以调整大小，但这将如何影响我的 XML 文件？

在自定义数据集（店面图像）上进行对象检测训练，针对单个类（总共 285 个图像），在 CPU 上本地运行，几个步骤后8GB RAM 被杀死。

我正在关注这个博客作为参考。

这是控制台日志

我的想法和问题

1)图像尺寸有问题吗？- 我的图像分布如下：<= 400x300 (5%)、400x300 和 640x480 之间 (22%)、640x480 和 800x600 (63%) 和 > 800x600 (22%)。尽管尺寸约为 400x300 的图像足以识别购物板，但在我的数据集中存在更高分辨率的倾向，因为下一步是在这些板上进行文本识别。

• 这种想法对吗？
• 我是否应该将图像调整为更小的尺寸（如果是 - 什么尺寸合适）并在重新开始整个过程​​之前重新进行注释？

我可以训练 Oxford-IIIT Pet 数据（约 7.9k 图像 - 耗时约 13 小时）2000 步（配置文件的 train_config 部分中的 num_steps = 2000），而不会崩溃或被杀死。所以，我认为只有 285 个图像应该能够在 CPU 本身上运行。

2）交换内存有问题吗？- 我还检查了其他类似的帖子（增加交换空间建议，没有后续和另一个增加交换内存建议），但因为我可以在我当前的系统设置上训练 Oxford-IIIT 宠物数据集，训练为少至 285 张图像不应终止该过程。

• 我的想法正确吗？
• 如果不是，这确实是一个解决方案，那么我需要指针和明确的步骤来做到这一点。

我想知道出了什么问题并让它在本地运行。我希望我已经提供了足够的信息来获得帮助。如果没有，请告诉我需要什么。

系统信息

1. 您正在使用的模型的顶级目录是什么： tensorflow/models（尚未更新到新的文件夹结构）
2. 我是否编写了自定义代码（而不是使用 TensorFlow 中提供的股票示例脚本）：是 - 最小的更改（按照我自己的数据集的 Dat Trans 模板 - Github）
3. 操作系统平台和发行版（例如，Linux Ubuntu 16.04）： Ubuntu 16.04.3 LTS
4. TensorFlow 安装自（源代码或二进制文件）：二进制文件（进入虚拟环境）
5. TensorFlow 版本（使用下面的命令）： 1.3.0
6. Bazel 版本（如果从源代码编译）： NA
7. CUDA/cuDNN 版本：不适用
8. GPU 型号和内存： NA
9. 重现的确切命令： python object_detection/train.py --logtostderr --pipeline_config_path=/home/rajaram/tensorflow/models/object_detection/models/sf_od_model/ssd_mobilenet_v1_sf_train.config --train_dir=/home/rajaram/tensorflow/models/object_detection /models/sf_od_model/train

我可以在具有 4x 1080Ti 的本地机器上进行训练，并且正如其他人所指出的那样，TF 会抓取我机器上的所有可用内存。在四处寻找大多数搜索后，我找到了基本 TF 而不是对象检测 API 的解决方案，例如：

如何防止 tensorflow 分配整个 GPU 内存？

如何在对象检测 API 中访问这些类型的选项？如何在 OD API 中对训练进行类似的 TF 风格控制？OD API / slim API中是否有适当的方法？

我尝试在该 training.proto 中添加一条 GPUOptions 消息，但这似乎没有什么不同。

我们已经训练了我们的模型并使用提供的 Python 脚本成功地测试了它们。但是，我们现在想在我们的网站上部署它并为第二轮测试运行一个 Web 服务。

是否有一个 C++ 包装器，以便我们可以像使用 Python 脚本一样运行/执行我们的模型？

在grid_anchor_generator.py中，这段代码生成的anchor与Faster RCNN论文实现不一样。在 Google Object Detection API 中，在特征图位置中计算的锚点[0, 0]为：

而在更快的 rcnn 论文的作者实现中，锚点是：

Faster rcnn 论文中的 scale 和 aspect_ratio 为：

Google Object Detection API 中的 scale 和 aspect_ratio 为：

在 TensorFlow 对象检测 API 中，是否有可能获得除矩形以外的其他形状的识别对象？

例如，当我教我的计算机识别森林时，获得某种多边形而不是矩形应该更有用。

其他东西是例如河流，但多边形似乎比线容易得多。