【问题标题】:Using tensorflow Object-detection on only 1 classes仅在 1 个类上使用 tensorflow 对象检测
【发布时间】:2017-12-21 02:56:25
【问题描述】:

我在自己的数据集(无人机识别)上使用 tensorflow(物体检测),也只有 1 个名为“drone”的类,经过大约 30000 步训练后,我的结果模型可以非常准确地检测无人机,但我得到了一个问题,我在模型动物园上使用了 ssd_inception_v2_coco 模型及其fine_tune_checkpoint,现在有时在我的实时检测中,它检测到人脸是无人机(这样的两个物体之间有很大的不同),我认为是因为旧的检查点。 如何防止检测到一些与我的无人机物体有很大不同的物体,比如人、狗、猫……或者有人可以帮我描述一下这里有什么问题吗? 对不起我的英语不好

【问题讨论】:

  • 您是否使用模型 ssd_inception_v2_coco 应用迁移学习?
  • 是的,我使用 ssd_inception_v2_coco 的训练模型作为基础检查点
  • 我认为你应该收集更多数据并重新训练,顺便说一下,你冻结了多少层?
  • 好的,谢谢你的建议。我保持默认的 ssd_inception_v2_coco 配置,所以我认为它有 6 层。

标签: opencv tensorflow object-detection


【解决方案1】:

即使您为一个类训练 SSD,它也会自动创建另一个称为背景的类。使用未标记为所需类别(在您的情况下为无人机)的训练图像区域训练背景。

一种简单的方法是在同一场景中添加训练样本,其中包括同时具有无人机和您不想识别为无人机的事物的图像。这样做然后增加 epoch 的数量应该会提高精度。

如果您正在使用无人机频繁出现某些物体的应用程序,另一种可能性是也针对这些物体实际训练网络。这会增加您的训练工作量,但会提高准确性。

SSD 的一些实现可以选择对数据进行硬否定挖掘,以便在验证过程中出现的错误专门用于训练。如果您熟悉代码,您可能需要检查它是否可用。

【讨论】:

  • 哦,我的数据集没有人脸或狗、猫之类的东西。感谢您的建议,我将重新制作我的数据集并重新训练我的模型
  • 很好,我不确定我的最终结果会不会很好,但我用包含背景的新数据集重新测试,它的结果比我的旧结果好得多。我认为您的指南将解决我的问题。
  • 很高兴能帮上忙。如果有什么我可以提供帮助的,请随时在此处留言或发表评论。
  • 对不起,一个不相关的问题,我想检测多个对象,但是从多个单类训练的模型中,而不是从一个包含多个类的模型中,这可能吗?提前致谢。
  • 这是可能的。它适用于所需对象不断变化的应用程序。如果您想将许多大型网络加载到 GPU 内存中,可能会出现实现问题,但通常这种方法会导致较小的网络。
猜你喜欢
  • 1970-01-01
  • 1970-01-01
  • 2019-07-20
  • 1970-01-01
  • 2021-02-01
  • 1970-01-01
  • 2021-01-26
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多