大图像上的目标检测训练答案

【问题标题】：Object detection training on large images大图像上的目标检测训练
【发布时间】：2019-09-18 02:39:50
【问题描述】：

尝试通过在 4096 x 8192 像素的图像上使用更快的 RCNN 来检测车牌。

我没有为训练而调整大小，而是裁剪了图像的某些部分并标记了车牌并进行了训练，这样它可以工作，但它无法在实际图像上检测到，而只能在小图像上检测到。

请指导我完成这项工作的最佳方法是什么。我应该如何进行培训，以及如何在 faster_rcnn_inception_v2_pets.config 上进行配置。或者如果您认为更快的 RCNN 不适合这种工作，请提出更好的方法，我至少需要 80 以上的准确率。

我在谷歌上搜索了很多，但找不到任何人在处理超过 8k 的图像。

我也在下面附上一张示例图片。 https://ibb.co/NKWWd7q

我尝试在谷歌云服务器上对 4096 x 8192 像素图像进行带注释的训练，它在单个批量大小上消耗了超过 250gb 的 RAM。

亲切的问候。

【问题讨论】：

如果我没听错的话，如果车牌在图像中更突出，那么经过训练的网络可以检测到车牌，但不能像添加的那样在大图像（带有小车牌）中检测到车牌。正确的？保持训练有素的网络的一种方法是从背景中分割汽车。通过自动裁剪汽车，您可以再次运行车牌检测。要检测汽车，您有多种选择。
但是如果你使用 Yolo，它会在训练过程中调整你的训练数据大小，图像大小不再重要
@gameon67 如果我是对的，甚至可以在训练过程中调整 tensorflow 的大小。
@Mr.Sh4nnon 是否可以对汽车进行分类，然后告诉 tensorflow 先找车而不是找车牌。这真的有可能吗，我认为这样会更快更准确。
@Mr.Sh4nnon 你知道任何可以指导我完成这项工作的开源示例吗？

【解决方案1】：

这是我作为我的 cmets 集合的答案：

与图片的其余部分相比，您的车牌似乎太小了。

尝试先提取汽车，例如YOLO，提取它，然后再次运行您的车牌检测网络。请记住，您可能需要调整边界框（提取的汽车的大小）以适应您的网络输入大小。

使用 YOLO can be found here 检测汽车的示例。

【讨论】：

您不必根据网络输入大小调整边界框大小。只需确保在对象周围正确绘制边界框
@gameon67 我不是这个意思。 YOLO 可能会为他提供汽车和/或其边界框的质心。这个盒子可以是例如。 500x600 像素，并不总是相同。他的网络似乎输入大小为 4096 x 8192 或其他大小。初学者在通过提取的尺寸错误的汽车时可能会感到困惑。
@Mr.Sh4nnon 提取不是一个选项。我的想法是先找到汽车而不接触图像，而不是搜索车牌，我必须在 1-2 秒内检测到车牌，我有超过 500TB 的图像数据。
我没有得到这个。不碰图片是什么意思？
@Mr.Sh4nnon 我的意思是不要先提取或裁剪汽车，必须一次性完成。