问题标签 [tensorflow-model-garden]

我正在尝试在 PyTorch 中训练 mobiledet[1]。实验遵循论文设置[2]，但初始学习率（0.8）太大而无法覆盖。

能不能拿到mobiledet的训练日志来找问题？谢谢！

链接：

[1] https://arxiv.org/abs/2004.14525 [2] https://github.com/tensorflow/models/blob/master/research/object_detection/samples/configs/ssdlite_mobileet_dsp_320x320_coco_sync_4x4.config

在使用 Tensorflow 2 对象检测 API 训练模型执行推理时，我正在尝试解决何时必须使用预处理。从代码来看，似乎是：

1. SavedModel 在训练结束时创建 - 是的，需要预处理

2. 使用导出的模型exporter_main_v2.py- 否，将预处理层添加到模块中

3. 使用 tf lite 导出的模型export_tflite_graph_tf2.py- 是的，需要预处理吗？

只是为了确认 tf lite 模型需要哪些预处理？是吗：

1. 应用训练中使用的预处理，这取决于模型。

2. 然后应用量化缩放？

models/research/object_detection/model_main_tf2.py从tensorflow/models（或只是）运行时，python -c "from object_detection import model_lib_v2"我得到：

我使用本指南来设置对象检测 API，我没有遇到任何问题，python object_detection/builders/model_builder_tf2_test.py也可以正常工作。

nvidia-smi输出：

Python版本：3.8.5

张量流版本：2.5.0

操作系统：Ubuntu 20.04.2 LTS（Focal Fossa）

编辑：使用 Python3 的故障处理程序添加调试：

我想微调CenterNet MobileNetV2 FPN 关键点 512x512以进行对象检测：https ://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md 。我下载了焦油并提取了。pipeline.config没有fine_tune_checkpoint字段，因此我无法对预训练模型进行微调。我有两个问题： - 有没有办法添加微调字段？是因为这个模型的输出是关键点吗？

我在 Google Colab 中微调预训练模型deeplabv3_mnv2_pascal_train_aug时遇到问题。

当我使用vis.py进行可视化时，如果图像的高度/宽度较大，即图像不是正方形，结果似乎会移到图像的左侧/上侧。

用于微调的数据集是Look Into Person。这样做的步骤是：

1. 在 deeplab/datasets/data_generator.py 中创建数据集

2. 转换为 tfrecord

3. 训练

4. 可视化

通过以下步骤，我面临的问题的一个示例是：

原始图像

Deeplabv3 结果

我不知道我是否遗漏了一些重要的东西，或者是否需要更多的培训。然而，训练似乎不是一个解决方案，因为它的损失目前从 1.5 上下波动到 0.5，大约。

提前致谢。

我正在使用 Deeplabv3 执行语义分割。我使用Look into person数据集进行了微调。

从该数据集中存在的 19 个类中，我想忽略其中的一些（例如，Socks），因为某些类通常分割得很差，我并不真正需要它们。

在data_generator.py 中，我在此处定义的所有数据集中看到了一个变量ignore_label=255，但进一步阅读它似乎并不是我想要的。

那么，Deeplabv3 中有一种方法可以在训练数据集中的某些类时忽略吗？

我正在尝试使用 Coral TPU 在 Rasperry PI 上运行 Tensorflow 模型精简版。型号为 SSD Mobile Net 2。经过完全量化或浮点 I/O 转换后，它在 PC 上运行良好。但是，当我在 Coral TPU 上运行它时，我得到了很多错误的结果。通常它是误报类 0（映射到人）。有人可以帮助我吗，我想出了如何解决它的想法？

张量流版本：2.5.0

TensorFlow Lite 版本：2.5.0

我做的步骤：

1. 下载模型：http: //download.tensorflow.org/models/object_detection/tf2/20200711/ssd_mobilenet_v2_fpnlite_320x320_coco17_tpu-8.tar.gz
2. 我将输入调整大小图层更改为 320x320，但结果与原始 300x300 相同。
3. 我将保存的模型转换为 tf lite 友好格式：

4. 模型转换为 TF Lite 格式，model_path 指向上一步输出，我尝试量化True/False 和下面代码的注释部分：

数据提供者，使用第 5 步中的代码：

5. 代表性数据集 - Coco 2017 估值数据 - 500 个样本。

6. 珊瑚AI编译：

7. 使用 Coral AI (Rpi) 进行推理。它适用于 Coral AI SDK 中提供的 SSD2 Mobile Net。

8.输入图像，缩放和居中：

9. 获取输出张量：

我注意到，当我运行转换几次时，结果略有不同——代表性数据是从集合中随机获得的。在我在 PC 上运行的 Coral AI 编译模型上，差异更加明显。

我正在使用python 3.8并且tensor flow=2.5我想使用faster_rcnn_resnet101_v1_640x640_coco17_tpu-8模型来进行对象检测，但我面临以下错误。

错误：

我想采用 TensorFlow 或 Keras 模型对象的现有实现并将其训练（或微调）作为 TensorFlow 模型园的对象检测 API 的一部分。

我注意到在模型原型中提供了一个实验模型选项：

但目前尚不清楚我所指的函数应该构建什么（它不是 a keras.model）。在示例配置中，我找不到使用实验模型选项的示例。

我有哪些选择？有没有在某处使用experimental_model 选项的例子？

我正在使用 TensorFlow训练MobileNet_v1_1.0_224 。我正在使用TensorFlow-Slim 图像分类模型库中的 python 脚本进行训练。我的 4 个类的数据集分布如下：

normal_faces: 42070
oncall_faces: 13563（人们在通话时会在图像中看到手机）
Smoke_faces: 5949
yawning_faces: 1630

数据集中的所有图像都是正方形图像，并且大于224x224

我正在使用train_image_classifier.py使用以下参数训练模型，

训练模型后，eval_image_classifier.py在验证集上显示出大于95%的准确度，但是当我导出冻结图并将其用于预测时，它的表现非常糟糕。

我也试过这个笔记本，但这也产生了类似的结果。

日志：训练日志
图：损失和准确性

这是什么原因？我该如何解决这个问题？

我在 SO 上看到过类似的问题，但没有特别与 MobileNets 相关。