问题标签 [tensorflow-model-garden]

在使用脚本对 Faster RCNN 模型进行微调时model_main.py，我故意将评估数据集设置为与训练数据集 ( TF_DATA) 相同，并期望在评估中看到与训练中相同的损失。然而，评估损失（4000 epochs 之后）：

而训练总损失为：

常数：

我的配置文件：

为什么使用相同数据的训练和评估步骤的总损失不同？

当我只使用legacy/train.py脚本时，我已经在 1000 个 epochs 后看到了合理的边界框

嗨 Tensorflow 用户和社区，

我正在运行对象检测教程，但遇到了一些问题，我不知道安装是否有问题，但所有命令都成功退出，我被困住了。

• Protobuf 版本：3.12.4
• Python 版本：Python 3.8.5
• 张量板2.3.0
• 张量板插件机智 1.7.0
• 张量流2.3.0
• 张量流插件 0.11.0
• 张量流数据集 3.2.1
• 张量流估计器 2.3.0
• 张量流中心 0.8.0
• 张量流元数据 0.22.2
• 张量流模型优化0.4.1
• 物体检测：0.1

请注意，对象检测是从模型中的 git 安装的，因为它在文档中很突出：

有问题的命令是测试对象检测安装的最后一个命令：

我得到了几个断言错误，一些例子：

第一个断言的完整跟踪：

完整的日志输出：

任何面临类似问题的人？

谢谢！

最近我正在尝试使用 TF2 的 Tensorflow Object Detection API V2，并且我已经成功地训练了一个网络。

但是，我几乎没有找到有关如何保存最佳模型的信息。

我发现了一些简单的教程，它们并没有过多地讨论这些细节。

我在这里发现了一个类似的问题，但是最好的答案是修改legacy/trainer.py，这似乎已经过时了。

我还在这里找到了另一个类似的问题，但是答案正在谈论exporters，它在model_lib.py，但我找不到类似的参数model_lib_v2.py

那么，对于 V2，我应该修改哪个文件来保存最佳模型？

我正在训练只检测人的自定义模型。
我使用了 tensorflow 对象检测 API 并遵循了这个 github 文档。
我从可可数据集中获得了图像。
准备了 400 个测试图像和 1600 个训练图像。
这是我的火车配置。

和环境。

根据上面的github文档，损失应该在2以下。
但是我的模型的损失总是收敛到4。有什么问题吗？？
我不知道出了什么问题...
感谢所有帮助。

我使用了 tensorflow 对象检测 API。
这是我的环境。
所有图片均来自 coco API

这是我的 train_config。

我找不到优化的学习率、适当的衰减步骤和因子。
所以我做了很多训练，但结果总是相似的。
我怎样才能解决这个问题？？
我已经为这个问题花了一周的时间。
在另一篇文章中，有人建议向数据集（图像）添加噪声。
但我不知道这意味着什么。
我怎样才能做到这一点？

我正在使用 Coral 开发板和 Jetson T2 开发板。为了向他们发送模型，模型必须具有扩展名 .pb

是否有模型已经具有 .pb 扩展名的链接？目前我正在使用这个链接： TF_slim

所有模型都具有扩展名 .ckpt，仅此而已。没有 .meta 或其他任何东西。我不知道如何转换为 .pb。

我在 Colab 工作。这是我的代码：

这是我得到的错误：

谢谢

我正在使用 Coral 开发板和 Nvidia Jetson TX2。这就是我了解 TensorFlow-Lite、TensorFlow-TRT 和 TensorRT 的方式。我对他们有一些疑问：

1. 在 TensorFlow-TRT 和 TensorRT 之间：当使用完全优化/兼容的图和 TensorRT 时，哪个更快，为什么？

2. 在 Google Coral 中使用 TFlite 的管道（使用 TensorFlow 1.x 时...）是：

一个。使用 TensorFlow 动物园中可用的模型

湾。将模型转换为冻结 (.pb)

C。使用 protobuff 序列化图

d。转换为 Tflite

e. 应用量化 (INT8)

F。编译

使用 TensorFlow-TRT 和 TensorRT 时的管道是什么？有没有什么地方可以找到关于它的好文档？

到目前为止，我认为 TensorRT 更接近 TensorFlow Lite，因为：

• TFlite：编译后你会得到一个 .quant.edtpu.tflite 文件，可以用来在开发板中进行推理

• TensorRT：你最终会得到一个 .plan 文件来在开发板中进行推理。

感谢您的回答，如果您能指出比较它们的文档，将不胜感激。

范围

我正在尝试使用对象检测 API 迁移学习 SSD MobileNet v3（小型）模型，但我的数据集只有 8 个类，而提供的模型是在 COCO（90 个类）上预训练的。如果我保持模型的类数不变，我可以毫无问题地训练。

问题

更改 pipeline.config num_classes 会产生分配错误，因为图层形状与检查点变量不匹配：

问题

• 有没有办法改变类的数量并且仍然进行迁移学习（比如只加载具有匹配大小的变量）？还是我必须在只有 8 节课的从头训练或 90 节课的微调之间应付？
• 是否有任何工具可以手动“修剪”预训练的检查点变量？

数据集：ITD 数据集

型号：SSD MobileNetV3 - 小型（来自Model Zoo）

管道配置：

我正在尝试使用tensorflow/serving图像在 docker 上提供attention_ocr 模型。

首先，我用自己的数据集训练了这个模型，并用demo_inference.py得到了一个很好的结果

所以，我用export_model.py导出训练好的模型
python export_model.py --checkpoint=model.ckpt-111111 --export_dir=/tmp/mydir

然后，运行 docker 容器为模型提供服务。
docker run -it --rm -p 8501:8501 -v /tmp/mydir:/models/aocr -e MODEL_NAME=aocr --gpus all tensorflow/serving

这是我的 python 客户端脚本。

结果.."error": "Expected one or two output Tensors, found 17"

这是第一次使用 tensorflow/serving。我无法处理这个错误。

请帮助这个新手..提前谢谢。

我正在尝试安装 tensorflow-object-detection API。已经使用 pip 安装了 Tensorflow-gpu-2.1.0。

但是在尝试安装 tensorflow-object-detection-api 时出现此错误：错误：包 'object-detection' 需要不同的 Python：2.7.12 不在 '>3.6' 中

与 python3 相同：错误：包 'object-detection' 需要不同的 Python：3.5.2 不在 '>3.6' 中

在安装步骤中运行以下命令时显示错误：

操作系统：Ubuntu 16.04

蟒蛇：2.7.12