Python 城市景观交通标志使用TF对象检测API进行无框或遮罩检测

我非常感谢所有关于此的想法、提示或链接：

使用TF 1.10和最新版本，我可以使用PETS数据集以及我自己的概念验证数据集进行框和掩码预测：

---

但是当我在城市景观交通标志（单班）上进行培训时，我很难取得任何效果。我已经调整了锚，以尊重更小的对象，而且似乎RPN正在做一些有用的事情，至少：

无论如何，盒子预测器根本不会起作用。这意味着我根本没有得到任何盒子——也没有要求得到面具

---

我的管道与示例配置基本相同，甚至完全相同。 因此，我预计特定类型的数据可能会出现问题，也可能会出现错误

您是否有任何提示/链接如何（或）

• 使用2个或3个阶段时，可视化RPN结果？（只使用一个阶段就可以做到这一点，但一个阶段如何实现这一点？）
• 首先培训RPN，然后继续使用箱子
• 调查箱子丢失的位置/原因？（预测得分为零，而评估产生零分类错误）

---

最终解决方案是多个问题的组合：

• 来自检查点检测的参数

  ：true

  已折旧，将替换为

  微调检查点类型：“检测”

  。然而，如果没有任何这些，框架似乎默认为

  “分类”

  ，这似乎打破了对象检测框架的整体概念。这一次依赖默认值不是个好主意
• 我的数据准备得不够好。我有零宽度/高度的盒子（无论出于什么原因）。我还删除了断开连接的实例的掩码

• 使用

  keep_aspect_ratio_resizer

  以及

  random_crop_image

  和

  random_coef:0.0

  似乎不允许完全分辨率，因为在随机裁剪之前似乎应用了大小调整器。我现在确实将输入图像分割成（垂直）条纹[以节省内存]，并使用一个小的

  min\u区域应用随机裁剪，因此它根本不会跳过小功能。另外，我现在可以考虑一个
  max_区域：1
  和一个随机系数>0，因为内存使用已经处理好了
  

• 还有一个潜在的问题是，我只考虑了一个类（到目前为止）。这可能是框架或网络中的激活功能的问题。然而，结合其他问题，这一变化似乎并没有造成额外的问题——至少是这样

• 最后但并非最不重要的一点是，我将来源更新至2018-10-02，但没有详细介绍所有修改

我希望其他人能从我的发现中节省时间和麻烦