Я использую код обнаружения объектов SSD Mobilenet V2 от Tensorflow и пока разочарован полученными результатами. Я надеюсь, что кто-то может взглянуть на то, что я сделал, и предложить, как я могу улучшить результаты:

Набор данных

Я обучаюсь на двух классах (из OIV5), содержащих 2352 экземпляра “Лимона” и 2009 экземпляров “Сыра”. Я читал в нескольких местах, что “современные” результаты можно достичь с несколькими тысячами экземпляров.

Параметры обучения / валидации

Далее я перечислю мой файл конфигурации, который в основном совпадает с предустановленным. Единственные изменения: а) изменено количество классов (num_classes) и б) удвоена шкала l2_normalizer, потому что во время обучения алгоритм переобучался, и потеря на валидации начала увеличиваться после всего лишь ~25,000 итераций.

model {
  ssd {
    num_classes: 2
    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: 0.05
        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: 0.00007
            }
          }
          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: 0.00007
          }
        }
        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
    }
  }
  num_steps: 200000
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
  data_augmentation_options {
    ssd_random_crop {
    }
  }
}

train_input_reader: {
  tf_record_input_reader {
    input_path: "gs://<MY_DIR>/data/train.record-?????-of-00010"
  }
  label_map_path: "gs://<MY_DIR>/data/label_map.pbtxt"
}

eval_config: {
  num_examples: 870
}

eval_input_reader: {
  tf_record_input_reader {
    input_path: "gs://<MY_DIR>/data/val.record-?????-of-00010"
  }
  label_map_path: "gs://<MY_DIR>/data/label_map.pbtxt"
  shuffle: true
  num_readers: 1
}

Настройка кластера

Я не изменял файл конфигурации облака, но решил включить его для полноты картины.

trainingInput:
  runtimeVersion: "1.12"
  scaleTier: CUSTOM
  masterType: standard_gpu
  workerCount: 5
  workerType: standard_gpu
  parameterServerCount: 3
  parameterServerType: standard

Проблема / Вопрос

С этой настройкой я достигаю mAP, который обычно не превышает 25%. Лучший результат — это [email protected], который кратковременно достигает 30%, прежде чем снова упасть на 25k итераций.

Как я уже упоминал, потеря на валидации уменьшается с 12 до 7 (произвольно), но затем снова увеличивается примерно на 25k итераций.

Хотя я не очень хорошо знаком с тем, какие результаты я должен ожидать, эти цифры кажутся неправильными. Я даже не уверен, следует ли мне улучшать мой набор данных или настроить параметры обучения. Я приму любой ответ, который поможет мне встать на правильный путь. Пожалуйста, дайте мне знать, если я забыл включить какую-либо важную информацию.

Попробуйте изменить техники увеличения данных, ssd_random_crop может быть причиной проблемы, я полагаю.

Попробуйте использовать следующие техники:

    data_augmentation_options {
      random_horizontal_flip {
      } 
    }
  
    data_augmentation_options {
      random_rotation90 {
      }
    }
  
    data_augmentation_options {
      random_rgb_to_gray {
      }
    }
    data_augmentation_options {
      random_distort_color {
      }
    }