问题标签 [tensorflow-model-garden]

对于我从自定义训练模型获得的一些评估结果，我将不胜感激。我正在使用来自http://download.tensorflow.org/models/object_detection/tf2/20200711/ssd_mobilenet_v2_320x320_coco17_tpu-8.tar.gz的 SSD MobileNet v2 320x320

我的对象有 12 个类，我想检测和分类使用 PASCAL VOC 格式（每个图像一个 XML 文件）注释的对象。此外，我使用不同的随机种子进行了 2 次不同的训练。所以这个问题不仅仅针对一次培训。所以我正在根据官方 TF-Object-Detection GitHub https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/evaluation_protocols.md评估这些模型

我正在使用 2 个指标：

• coco_detection_metrics ：这个给出了一般平均平均精度 (mAP) @IoU=0.5, @IoU=0.75, @IoU0,5:.05:0.95 和良好的全局结果。

有问题的指标按类别如下，因此对于每个类：

• pascal_voc_detection_metrics 具有以下配置：

在这两种训练中，我目前的课程（大约 2-3k 图像超过 10k）在 0 附近具有非常低的精度，例如 10^-3，我真的不知道为什么，因为所有其他类别都高于 75-80%精确。

Tensorboard 显示的是按字母顺序排列的图表，所以我用班级编号注释了我的第二张图片。让我们看看第一次训练的指标： 1st_training

让我向您展示第二次培训的更详细的指标曲线： 2nd_training

先感谢您 ！

我正在尝试使用 tensorflow 脚本重新训练 ssd_mobilenet_v2： https ://github.com/tensorflow/models/blob/master/research/object_detection/model_main_tf2.py 和默认配置文件： https ://github.com/tensorflow /models/blob/master/research/object_detection/configs/tf2/ssd_mobilenet_v2_320x320_coco17_tpu-8.config

但我想在拜耳图像上训练网络（这些图像只有 1 个通道，就像黑白图像一样）。

我不知道要编辑什么以将输入大小从（320x320x3）更改为（320x320x1）。如果有人能给我一些指示，那就太好了。

我正在尝试使用 Tensorflow 对象检测 API 调试经过训练的 Faster R-CNN 模型，并且我想在图像上可视化 RPN 的提议区域。谁能告诉我该怎么做？我在这里找到了一个帖子，但尚未得到答复。我尝试exporter_main_v2.py只使用 RPN 头导出模型，如此处所述，这是我删除 second_stage 时的按摩。

我再次尝试导出模型而不删除 second_stage。这是我收到的信息

我有一个包含大约 100 张来自具有表格的文档的图像的数据集，所有表格和签名都已正确注释。我曾经从 tf1 模型 zoo 中训练 Faster RCNN InceptionV2，并且准确度非常完美。我只是想升级到 tf2 模型，我一直在训练以下模型：

Faster R-CNN ResNet50 V1 1024x1024 SSD ResNet50 V1 FPN 640x640 (RetinaNet50) CenterNet Resnet101 V1 FPN 512x512 SSD MobileNet V2 FPNLite 640x640 CenterNet HourGlass104 512x512 Faster R-CNN Inception ResNet V2 640x640

我已经在每一个上训练了大约 200k 步。它们都不能使用与来自 tf1 模型 Zoo 的 Faster RCNN InceptionV2 完美配合的相同数据。当我尝试任何图像时，边界框都不正确，它们的分数不超过 0.2，并且在大多数情况下，分数小于 0.1 或 0.001。我尝试了各种配置组合，例如：

我将训练和测试图像的大小都调整为 1024x1024，这有助于将准确度从 0.01 提高到 0.5，但我仍然看不到 90 年代的 detection_scores，就像它们曾经在 tf1 中一样。最大检测分数：

print('detection_scores max === ', detections['detection_scores'].numpy().max()) 我可以看到它是 0.40230057，通常是这样的数字。

PS 我在同一个模型上尝试了另一个数据集，它似乎有效。在表数据集上，我可以看到损失随着时间的推移而减少，但准确度也在降低，因此，例如，我尝试了 22.ckpt 的图像，检测到的表的得分为 0.7，然后在我尝试训练后更像 100k 步它在 101.ckpt 上，检测已更改，分数为 0.4 或相似。

我正在尝试训练网络。并且培训因错误而中断，指出文件太大并且无法刷新事件（tf.summary）。当我检查文件实际上是 4GB+

我正在使用 delf 实现（在此处找到训练脚本：https ://github.com/tensorflow/models/blob/master/research/delf/delf/python/training/train.py ）。我之前在对象检测模型中也遇到过这个问题。我记得我只是通过省略事件编写来避免这个问题。但我想为这个问题找到一个解决方案/原因。

我发现有关缺少事件文件的问题，但无法为我的问题找到一个好的答案。我会感谢你在这件事上的帮助。

更新我到目前为止所尝试的内容

• 更改 max_queue 参数 - 注意到 tf.summary.create_file_writer 有一个默认值为 10 的 max_queue 参数。所以我认为它给出了错误，因为它超过了这个默认值，所以无法刷新 11 个事件。所以我尝试了不同的值 20、200 并最终得到错误提示无法刷新 21 个事件、201 个事件等。
• 更改 flush_millis - 将其更改为较低的值以更频繁地刷新事件
• summary_writer.flush() - 代码没有 flush() 可能是因为它应该在 flush_millis 次之后刷新），但我尝试添加 flush() 以查看它是否有帮助

不幸的是，这些都不起作用。

初始错误的完整错误堆栈

我目前将 TF1 和 TF2 object-detection-api 模型保存为 FrozenGraphs，然后运行 ​​TF1 样式（加载 graph/sess.run，尽管我使用的是 tensorflow 2.5.0）。

我发现对于类似的模型，TF2 FrozenGraphs 的运行速度要慢得多。我知道 TF1 和 TF2 模型之间的实现存在差异，但这是否解释了差异？

或者 TF2 模型是否需要以不同的特定方式运行？

例如，TF2 的 SSD_Mobilenet_V2 运行速度比 TF1 的 SSD_Mobilenet_V2 慢 50% 左右（输入大小、输出类数相同）。

我对 TF1 模型使用通常的 TF1 导出器 (exporter.py:_export_inference_graph())。对于 TF2，我在 exporter_lib_v2.py 中有一个 export_inference_graph() 的修改版本。（创建concrete_function后，我将变量转换为常量，然后转换为frozen_graph并保存）

我有两个从 Instagram 收集的数据集。其中之一是汽车的照片。我使用来自 TensorFlow 模型花园的 CenterNet HourGlass104 1024x1024，在 COCO 数据集上进行了预训练，训练了一个对象检测器来检测汽车中的公司徽标。它工作得很好。

然而，我在另一个数据集上尝试了相同的方法，这是人们拿着来自不同商店的购物袋的照片。物体检测器的工作是检测购物袋和品牌。这一次，object center loss非常高，mAP为零。

我用相同的配置训练了两个模型（TensorFlow 的默认配置，批量较小，不会遇到内存问题）。

我也尝试降低学习率，但没有任何改善。

我想我应该尝试更改 object_center_params，但我不知道应该更改哪些值。

我还训练了其他模型，例如 Faster R-CNN Inception、SSD 和 EfficientDet，它们都有效。对于这个特定的数据集，只有 CenterNet 没有。

这是我的 pipeline.config 文件：

我会很感激我能得到的任何帮助。

我已经设法从模型园（Tensorflow 2.0，对象检测 API）下载了对象检测 API。我能找到的所有推理代码（在目录和在线）都适用于 1 的批量大小。

我正在考虑以某种方式重新配置pipeline.config文件。更具体地说 eval_config (batch_size = 5)。这可以做到吗？

令我困惑的是，如何通过可变批量大小支持进一步的训练/微调......但推理不是吗？

感谢您提供的任何提示。

我正在尝试使用 Faster-RCNN 架构加载检查点并填充模型权重（Faster R-CNN ResNet50 V1 640x640准确地说，从这里开始。我正在尝试为该网络加载权重，类似于在RetinaNet 的示例笔记本中完成的方式，他们请执行下列操作：

我正在尝试为我想要使用的 Faster-RCNN 网络提供类似的检查点加载机制，但是_base_tower_layers_for_heads像_box_prediction_head

我也找不到关于Checkpoint为我的特定用例填充模型的哪些部分的文档。非常感谢有关如何解决此问题的任何帮助！

是否可以在 jetson 板上运行推理图而不将其转换为github repo中提到的 TensorRT 格式？

我们能否在不使用 Jetson 开发板上的 TensorRT 的情况下运行Tensorflow 对象检测 API ？