Tensorflow 使用ssd_inception_v2在不同分辨率上进行训练

数据集包含不同大小的图像。 预训练的砝码以300x300分辨率进行训练。 我正在widerface数据集上进行培训，其中的对象小到15x15

问题1。我想以800x800分辨率进行训练我需要手动调整所有图像的大小还是由Tensorflow自动完成

我正在使用以下命令进行培训：

python3 /opt/github/models/research/object_detection/legacy/train.py --logtostderr --train_dir=/opt/github/object_detection_retraining/wider_face_checkpoint/ --pipeline_config_path=/opt/github/object_detection_retraining/models/ssd_inception_v2_coco_2018_01_28/pipeline.config

python3 /opt/github/models/research/object_detection/model_main.py --num_train_steps=200000  --logtostderr --model_dir=/opt/github/object_detection_retraining/wider_face_checkpoint/ --pipeline_config_path=/opt/github/object_detection_retraining/models/ssd_inception_v2_coco_2018_01_28/pipeline.config

问题2。我还尝试使用model_main.py对其进行训练，但在1000次迭代之后，每次迭代都会对数据集进行评估

我正在使用以下命令进行培训：

python3 /opt/github/models/research/object_detection/legacy/train.py --logtostderr --train_dir=/opt/github/object_detection_retraining/wider_face_checkpoint/ --pipeline_config_path=/opt/github/object_detection_retraining/models/ssd_inception_v2_coco_2018_01_28/pipeline.config

python3 /opt/github/models/research/object_detection/model_main.py --num_train_steps=200000  --logtostderr --model_dir=/opt/github/object_detection_retraining/wider_face_checkpoint/ --pipeline_config_path=/opt/github/object_detection_retraining/models/ssd_inception_v2_coco_2018_01_28/pipeline.config

第三季度。此外，如果您能建议除mobilenet和inception之外我应该使用的任何实时人脸检测模型，请提出建议

---

谢谢。

Q1。不，您不需要手动调整大小。见详细答案

问题2。你说的1000次迭代是指步骤，对吗？（迭代计算为数据集的一个完整周期。）通常，模型在一定时间后（例如10分钟）执行评估。因此，每10分钟保存一次检查点，并在评估集上对模型进行评估

---

第三季度。带有mobilenet的SSD型号是快速探测器之一，此外，您可以尝试使用YOLO型号进行实时检测

扩展第2季度。可以通过修改配置文件来禁用模型_main.py？的评估。在字段

eval

下的配置文件中，您可以尝试添加

eval\u interval\u secs:9999999

，以便计算间隔非常大。有人试过这个，但效果不好。另一个解决方案是减少保存检查点的频率（每次保存检查点后都会执行评估），因此我的建议是在

train

字段中更改

每小时保存一次检查点：5000

。是关于更改评估频率的另一个讨论。