Python TensorFlow对象检测API-内存不足

我正在使用Tensorflow对象检测API来训练我自己的对象检测器。我从模型动物园（）下载了

faster\u rcnn\u inception\u v2\u coco\u 2018\u 01\u 28

，并制作了自己的数据集（train.record（~221Mo）、test.record和标签图）对其进行微调

但当我运行它时：

python train.py --logtostderr --pipeline_config_path=/home/username/Documents/Object_Detection/training/faster_rcnn_inception_v2_coco_2018_01_28/pipeline.config --train_dir=/home/username/Documents/Object_Detection/training/

该进程在填充洗牌缓冲区操作期间被终止，看起来像是OOM问题（16Go RAM）

是否存在减少洗牌缓冲区大小的方法？什么影响它的大小

然后，我添加了一些交换（115Go交换+16Go RAM），填充洗牌缓冲区操作完成，但我的训练在第4步之后完成了所有RAM和交换，而我的train.record大约只有221个月

我已经将这些行添加到我的pipeline.config>train\u config中：

batch_size: 1
batch_queue_capacity: 10
num_batch_queue_threads: 8
prefetch_queue_capacity: 9

将这些文件发送到my pipeline.config>train_input_reader：

queue_capacity: 2
min_after_dequeue: 1
num_readers: 1

接下来呢

我知道我的图像非常（非常）大：每幅25个月，但我只拍摄了9张图像来制作我的train.record（只是为了测试我的安装是否顺利），它不应该如此消耗内存，对吗

关于它为什么使用这么多内存，还有其他想法吗

---

（顺便说一句，我只使用CPU）

图像的数量不是问题。问题在于输入图像的分辨率（在setting.config文件中）。您需要在此处更改高度和宽度值（与.config文件中类似）：

设置为较小的值宽度和高度，您将能够完美地训练

queue_capacity: 2
min_after_dequeue: 1
num_readers: 1

image_resizer {
  # TODO(shlens): Only fixed_shape_resizer is currently supported for NASNet
  # featurization. The reason for this is that nasnet.py only supports
  # inputs with fully known shapes. We need to update nasnet.py to handle
  # shapes not known at compile time.
  fixed_shape_resizer {
    height: 1200
    width: 1200
  }
}