问题标签 [single-shot-detector]

我是深度学习的新手，我正在尝试训练我的 SSD-300（单次检测器）模型，这需要太长时间。例如，即使我跑了 50 个 epoch，它也在训练 108370+ 全局步骤。我正在使用来自官方 github 存储库的默认 train_ssd_network.py 文件：https ://github.com/balancap/SSD-Tensorflow

我为训练运行的命令：

如何更改训练步骤以及理想的训练步骤是什么？

train_ssd_network.py 没有提供与 global_steps 相关的具体数字

我刚开始学习pytorch。

但是，你知道为 SSD pytorch 创建预训练权重的方法吗？

我们有一个自定义数据集，因此我们希望使用 VGG16 使用自定义数据集创建预训练权重，以提高 SSD 的性能。

然后从那里带来重量将用于SSD。

让我知道它的可行性。

先感谢您

我正在训练我已将图像大小调整为 300x300 的 SSD-300 模型。我正在使用 github repo 中提到的默认设置：https ://github.com/balancap/SSD-Tensorflow

训练时损失是不稳定的。我尝试训练它直到 50,000 个训练步骤。我得到的当前mAP是0.26（VOC 2007）和0.24（VOC 2012）

训练集：1500 张图片测试：300 张图片

当前参数：

我该怎么做才能获得良好的准确性（mAP）？

损失的例子，损失甚至达到了80：

评估：

1

我有一个预先训练好的MobileNetSSd.caffemodelmodel文件MobileNetSSd.prototxt。现在我想将这些部署到管道中的 Azure ML

首先，我尝试使用以下代码注册这两个模型：

文件注册成功，Home/Models目录下可见

现在我需要阅读这些模型，但我无法阅读它们。

我尝试使用以下代码，但它给了我一个错误，如下所述：

＃错误：

我不知道为什么它找不到模型......我有点迷茫，如果有人可以帮我阅读这些模型，我将不胜感激

就像我写上面的标题一样，我正在使用 SSD 进行对象检测。

我为提高 SSD 性能 (AP) 所做的工作是将预训练模型转换为使用自定义数据集（具有多标签的图像）进行多标签分类的重新预训练模型，并将平均值转换为自定义数据集平均值。我没有更改 SSD Pytorch 的其余代码（https://github.com/midasklr/SSD.Pytorch）。至于我修改的SSD，损失图与SSD一样显示下降损失。但是，我改装的SSD并没有表现出SSD那样的AP性能。有什么建议可以检查一下我改装的SSD性能不好的原因吗？

我很抱歉，但这个问题可能被极度低估（由于共享限制）。

我正在使用一个包含大约 2500 个图像和大约 3200 个注释的小型专有对象检测数据集。

我使用 Alex 的 Darknet 框架训练了一个 YOLOv4 模型，使用默认参数（更改了输入大小等要求），我看到了非常好的性能。一个高度自信的网络，可以很好地概括。我使用了yolov4.conv.137检查点并按照此处提到的步骤进行操作

在本教程以及Eager Mode Few Shot Detection教程中，我尝试使用 Tensorflow 2 的对象检测 API 执行相同的任务，并且主要使用默认训练参数。我从模型动物园尝试了不同版本的 MobilNet SSD 和 RetinaNet SSD 检查点。

我主要是为了测试这些模型与 Google 的 EdgeTPU 的兼容性。

我看到的主要问题是 TF2 对象检测 API 模型在将它们转换为 TFlite 后的可怕泛化能力。诸如嘈杂的盒子和仅看到奇异类预测之类的问题。就好像他们只接受了 1 或 2 张图像的训练。

1. YOLOv4 框架可能会出现这种性能差异，是否有任何具体原因？
2. 关于在微调这些模型以提高性能时可能会发生什么变化的任何建议？
3. 你认为我应该关注 EfficientDet 类型的模型，因为它们在基准数据集上表现出更好的性能吗？

非常感谢您的帮助和见解！