Python 关于使用张量流自定义对象检测增加类数/附加数据的微调模型的问题

使用Tensorflow的定制对象分类API w/SSD MobileNet V2 FPNLite 320x320作为基础，我能够训练我的模型，以便使用训练数据1（大约200张图像）成功检测类别A和B。这在只有A类和B类图像的测试集1上表现良好

我想向模型中添加几个类，所以我构建了一个单独的数据集TrainingData2（大约300幅图像）。该数据集包含B类和新的C、D和E类的标记数据。但是，它不包括A类的数据。根据该数据对模型进行训练后，它在仅包含B、C、D和E图像的测试集2上表现良好（尽管有额外数据，B上的准确度没有提高）

考虑到这一点，我在测试集1上再次检查了模型的准确性，正如我所假设的，模型根本不识别A类。在本例中，我假设我实际上没有改进模型，而是完全重新训练了模型

我的问题：假设我不能在一组完全独立的数据上优化模型，而如果我想在我的训练模型中添加更多的类，我必须结合训练集1和训练集2，并在整个数据上进行训练，我的假设是否正确

---

谢谢大家!

这主要取决于你的超参数，即你的学习速度和训练的历元数。较高的学习率将使模型更快地忘记旧数据。另外，确保不要过度拟合数据，还要有一个验证集。过度拟合训练数据的模型往往对权重（和数据）扰动非常敏感

TLDR。如果没有对所有数据进行训练，ML模型往往会忘记旧数据而代之以新数据。

有很多“活动部分”。我建议如下：

将“SSD MobileNet V2 FPNLite 320x320”作为没有最后一个分类层的基本模型（加载模型时参数include_top=False），并使用命令basemodel.trainable=False冻结其参数

使用命令prediction_layer=tf.keras.layers.densed（1）添加新的预测层，并制作其他所需的内容（详细信息在第页中逐步介绍）

完成上述步骤后，验证您是否了解新网络的哪些参数（包括“旧”卷积部分和您自己的新预测层）是可训练的，哪些是不可训练的。如果需要，请更改超参数

接下来，使用标准程序对网络进行培训

根据你的想法直接使用最终的课程数量（25）。如果您还没有所有类的数据，请不要担心，为此生成一些随机图像，当然要考虑到结果对于没有适当数据的类是无效的

为了简单起见，将数据（主要独立于课程数量）划分为培训和测试数据，而不是更复杂的第一手数据。当数据量增加时，统计数据将减少抽样问题。在培训时，监控数据量如何提高分类性能

因此-简而言之-1）让网络-2）选择要训练的参数-3）使用一个数据集训练，4）使用另一个数据集测试

最后，在标题和问题末尾直接回答问题：

-根据经验，首先通过只训练网络的最后几层来利用basemodel的所有性能。在您确定用这种方法无法获得更多性能后，开始仔细调整卷积层的超参数

---

-只有使用自己的新数据，才能完全优化模型；这是迁移学习的特殊好处和艺术

感谢您的回答！我会记住这一点。我应该指定，但我的数据集实际上被分成了培训/验证集。很抱歉，我只想澄清最后一件事：我目前有5门课的数据，但我的最终目标是~25门课。我最好从一开始就将pipeline.config中的类数设置为25，并在获得数据集时将这些类的数据添加到数据集中，还是在添加相应数据时增加类数？再次感谢！我建议您在获得更多类时增加类的数量，因为当您获得更多数据时，您应该使用整个数据集从头开始重新培训。感谢您的快速响应！似乎我对如何调整模型有很大的误解。当添加新数据时，没有办法避免从头开始训练模型？从头开始我的意思是使用与训练第一个模型相同的程序（使用MobileNet作为基础）。由于您的数据集很小（这个问题可能更适合在另一个论坛上讨论，似乎是一个机器学习问题，而不是编程问题）