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: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,python,tensorflow,tensorboard,object-recognition,object-detection-api,Python,Tensorflow,Tensorboard,Object Recognition,Object Detection Api,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
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)
- 来自检查点检测的参数
已折旧,将替换为:true
。然而,如果没有任何这些,框架似乎默认为微调检查点类型:“检测”
,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“分类”
- 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
以及keep_aspect_ratio_resizer
和random_crop_image
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random_coef:0.0
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
和一个随机系数>0,因为内存使用已经处理好了max_区域:1
- 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