Tensorflow对象检测API中的过度拟合

我正在自定义数据集（即车牌数据集）上培训tensorflow对象检测API模型我的目标是使用tensorflow lite将此模型部署到边缘设备，因此我不能使用任何RCNN系列模型。因为，我无法将任何RCNN系列对象检测模型转换为tensorflow lite模型（这是tensorflow对象检测API的限制）。我使用模型来训练自定义数据集。以下是我的配置文件的代码段：

model {
  ssd {
    num_classes: 1
    box_coder {
      faster_rcnn_box_coder {
        y_scale: 10.0
        x_scale: 10.0
        height_scale: 5.0
        width_scale: 5.0
      }
    }
    matcher {
      argmax_matcher {
        matched_threshold: 0.5
        unmatched_threshold: 0.5
        ignore_thresholds: false
        negatives_lower_than_unmatched: true
        force_match_for_each_row: true
      }
    }
    similarity_calculator {
      iou_similarity {
      }
    }
    anchor_generator {
      ssd_anchor_generator {
        num_layers: 6
        min_scale: 0.2
        max_scale: 0.95
        aspect_ratios: 1.0
        aspect_ratios: 2.0
        aspect_ratios: 0.5
        aspect_ratios: 3.0
        aspect_ratios: 0.3333
      }
    }
    image_resizer {
      fixed_shape_resizer {
        height: 300
        width: 300
      }
    }
    box_predictor {
      convolutional_box_predictor {
        min_depth: 0
        max_depth: 0
        num_layers_before_predictor: 0
        use_dropout: false
        dropout_keep_probability: 0.8
        kernel_size: 1
        box_code_size: 4
        apply_sigmoid_to_scores: false
        conv_hyperparams {
          activation: RELU_6,
          regularizer {
            l2_regularizer {
              weight: 0.00004
            }
          }
          initializer {
            truncated_normal_initializer {
              stddev: 0.03
              mean: 0.0
            }
          }
          batch_norm {
            train: true,
            scale: true,
            center: true,
            decay: 0.9997,
            epsilon: 0.001,
          }
        }
      }
    }
    feature_extractor {
      type: 'ssd_mobilenet_v2'
      min_depth: 16
      depth_multiplier: 1.0
      conv_hyperparams {
        activation: RELU_6,
        regularizer {
          l2_regularizer {
            weight: 0.00004
          }
        }
        initializer {
          truncated_normal_initializer {
            stddev: 0.03
            mean: 0.0
          }
        }
        batch_norm {
          train: true,
          scale: true,
          center: true,
          decay: 0.9997,
          epsilon: 0.001,
        }
      }
    }
    loss {
      classification_loss {
        weighted_sigmoid {
        }
      }
      localization_loss {
        weighted_smooth_l1 {
        }
      }
      hard_example_miner {
        num_hard_examples: 3000
        iou_threshold: 0.99
        loss_type: CLASSIFICATION
        max_negatives_per_positive: 3
        min_negatives_per_image: 3
      }
      classification_weight: 1.0
      localization_weight: 1.0
    }
    normalize_loss_by_num_matches: true
    post_processing {
      batch_non_max_suppression {
        score_threshold: 1e-8
        iou_threshold: 0.6
        max_detections_per_class: 100
        max_total_detections: 100
      }
      score_converter: SIGMOID
    }
  }
}

train_config: {
  batch_size: 24
  optimizer {
    rms_prop_optimizer: {
      learning_rate: {
        exponential_decay_learning_rate {
          initial_learning_rate: 0.004
          decay_steps: 800720
          decay_factor: 0.95
        }
      }
      momentum_optimizer_value: 0.9
      decay: 0.9
      epsilon: 1.0
    }
  }
  fine_tune_checkpoint: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/experiments/training_SSD/ssd_mobilenet_v2_coco_2018_03_29/model.ckpt"
  fine_tune_checkpoint_type:  "detection"
  num_steps: 150000
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
  data_augmentation_options {
    ssd_random_crop {
    }
  }
}

train_input_reader: {
  tf_record_input_reader {
    input_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/training.record"
  }
  label_map_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/classes.pbtxt"
}

eval_config: {
  num_examples: 488
  num_visualizations : 488
}

eval_input_reader: {
  tf_record_input_reader {
    input_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/testing.record"
  }
  label_map_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/classes.pbtxt"
  shuffle: false
  num_readers: 1
}

我总共有1932张图像（火车图像：1444张，val图像：448张）。我已经对模型进行了150000步的训练。以下是张力板的输出：

检测盒精度mAP@0.5IOU：经过150K步后，目标检测模型的精度(mAP@0.5IOU）约为0.97，即97%。目前看来还不错

训练损失：150K步后，训练损失约为1.3。这似乎没问题

评估/验证损失：经过150K步后，评估/验证损失约为3.90，相当高。然而，培训和评估损失之间存在巨大差异。是否存在过度装配？我怎样才能克服这个问题？在我看来，培训和评估损失应该彼此接近

• 如何减少验证/评估损失
• 我使用的是默认配置文件，因此默认情况下

  使用\u dropout:false

  。我是否应该将其更改为

  使用_dropout:true

  ，以防过度装配
• 目标检测模型的培训和验证损失的可接受范围是什么

---

请分享你的观点。谢谢你

神经网络中存在过度拟合问题的原因有很多，通过查看您的配置文件，我想提出一些避免过度拟合的建议

使用_dropout:true

，这样可以降低神经元对权重微小变化的敏感性

尝试在批处理非最大值抑制中增加

iou阈值

使用
l1正则化器
或
l1和l2正则化器的组合

将优化器更改为
Nadam
或
Adam
优化器

包括更多的增强技术

您还可以使用
提前停止
来跟踪您的准确性

或者，您可以观察
Tensorboard
可视化，在验证损失开始增加的步骤之前获取权重

我希望尝试这些步骤可以解决模型的过度拟合问题。
为什么num_类为1？这就是它应该是的样子吗？或者我错过了什么？嗨，应该是1，因为我只找一个类别，即“车牌”。哦，对了。。正如你提到的，你可以继续使用辍学学生。然后作为第一步，我建议您添加一些增强。选择专门考虑车牌的增强功能。第二步是调整你的锚。查看此url，以检查如何通过生成锚来优化检测。我是否应该使学习率每5000步衰减10%左右？因为在默认配置文件中，未启用学习速率衰减。Bcoz的
decation\u步骤：800720
只需800720个步骤即可工作。是。在5000级台阶上不能保持一种简陋的方式。太频繁了。尝试将其设置为20000甚至30000左右。通常我会说至少有两个时代。