Deep learning 目标检测的预训练模型还是从头开始训练？
我有一个由10k-15k图片组成的数据集，用于监督对象检测，这与Imagenet或Coco非常不同（图片更暗，代表完全不同的事物，与工业相关） 目前使用的模型是FasterRCNN，它使用Resnet作为主干提取特征。Deep learning 目标检测的预训练模型还是从头开始训练？,deep-learning,pytorch,conv-neural-network,object-detection,transfer-learning,Deep Learning,Pytorch,Conv Neural Network,Object Detection,Transfer Learning,我有一个由10k-15k图片组成的数据集，用于监督对象检测，这与Imagenet或Coco非常不同（图片更暗，代表完全不同的事物，与工业相关） 目前使用的模型是FasterRCNN，它使用Resnet作为主干提取特征。 是否可以在一个阶段从头开始训练模型的主干，然后在另一个阶段训练整个网络，而不是在Coco上加载预先训练的网络，然后在一个阶段重新训练整个网络的所有层？根据我的经验，这里有一些要点： 您的训练集不够大，无法从头开始训练探测器（尽管取决于网络配置，fasterrcnn+resnet
是否可以在一个阶段从头开始训练模型的主干，然后在另一个阶段训练整个网络，而不是在Coco上加载预先训练的网络，然后在一个阶段重新训练整个网络的所有层？根据我的经验，这里有一些要点：
- 您的训练集不够大，无法从头开始训练探测器（尽管取决于网络配置，fasterrcnn+resnet18可以工作）。最好在imagenet上使用预先训练过的网络
- 网络预先训练的领域实际上并不那么重要。网络，尤其是大型网络，需要学习所有这些拱门、圆和其他原始图形，以便使用这些知识检测更复杂的对象
- 列车图像的亮度可能很重要，但不能阻止您使用预先培训的网络
- 从头开始的培训需要更多的时间和更多的数据。训练时间越长，LR控制算法就越复杂。至少，它不应为常数，并根据累积损失改变LR。初始设置取决于多个因素，如网络大小、扩展和纪元数
- 我经常使用fasterrcnn+resnet（不同层数）和其他网络。我建议您使用maskcnn而不是fasterrcnn。只需命令它不要使用遮罩，也不要进行分割。我不知道为什么，但它提供了更好的结果
- 不要把时间花在mobilenet上，因为你的火车组大小，你将无法用一些合理的AP和AR来训练它。从maskrcnn+resnet18主干网开始