Python 如何在AWS sagemaker上选择超参数来训练良好的目标检测模型？

使用AWS sagemaker算法进行目标检测

我创建了有自动调谐和无自动调谐的对象检测模型。其中一些有很好的地图，而另一些没有。当我在新图片上测试它时，并不是所有的物体都能被检测到

我应该选择哪些

parameters

和

hyperparameters

使其具有最佳模型

还有，你认为我需要多少张照片

提前谢谢

目前，我正在尝试检测立顿茶（方形盒子）。我有5种不同的茶（所以有5门课），总共500张图片。每节课100英镑。 我将数据分成90%用于培训，10%用于验证。然后我会用新图片进行测试

tuned_hyperparameters_ranges = {
    'learning_rate': ContinuousParameter(0.001, 0.05),
    'momentum': ContinuousParameter(0.4, 0.99),
}

---

我需要它至少有90%的检测率。

每堂课100张图片听起来是一个合理的开始。我的建议是：

尝试将

base\u network

设置为

resnet-50

，如图所示，在相当一般的COCO检测任务中，resnet50主干网的性能优于vgg16主干网

通过设置使用迁移学习

使用预先训练的模型=1

在培训作业中检查验证图历元的外观。如果训练曲线不平坦，则考虑通过增加<代码>历元< /代码>

进行较长时间的训练。

使用学习率计划来逐步减少体重的变化。这可以有多种形式，但首先，你可以将学习率除以10，每1/3个年龄段计算一次。例如，如果您有60个纪元，请设置

lr\u调度程序\u step='20,40'

和

lr\u调度程序\u factor=0.1

然后，您可以至少对

学习率

和

小批量大小

如果这仍然不令人满意，请考虑基于每个选项的成本收集更多数据或使用自定义代码实现不同的检测器。SageMaker探测器是SSD，具有适当技巧的更快的RCNN或YoloV3等替代体系结构可以提供更好的性能。您可以在上面链接的ModelZoo中的MXNet容器中找到python中的优秀检测器体系结构。不过，这比使用内置SageMaker探测器要费劲得多，所以我会首先尝试上面的4个选项