tensorflow - 使用新图像更新 TensorFlow 对象检测模型
问题描述
我已经使用 Tensorflow 的对象检测 API 训练了一个更快的 rcnn 模型和自定义数据集。随着时间的推移，我想继续使用其他图像（每周收集）更新模型。目标是优化准确性并随着时间的推移对更新的图像进行加权。
以下是一些替代方案：
- 将图像添加到以前的数据集并训练一个全新的模型
- 将图像添加到先前的数据集并继续训练先前的模型
- 仅包含新图像的新数据集并继续训练以前的模型
以下是我的想法：选项 1：会更耗时，但所有图像都会被“平等”对待。
选项 2：希望减少额外的训练时间，但一个问题是该算法可能会更多地加权较早的图像。
选项 3：这似乎是最好的选择。采用原始模型，只专注于训练新东西。
其中之一明显更好吗？每个的优点/缺点是什么？
此外，我想知道是否最好保留一个测试集作为准确性控制，或者每次创建一个包含更新图像的新集。也许将新图像的一部分添加到模型中，将另一部分添加到测试集，然后将旧的测试集图像反馈回模型（或将它们丢弃）？
解决方案
考虑您的数据集几乎完美的情况。如果您在新图像上运行模型（每周收集），那么结果（即带有分数的框）将正是您想要从模型中得到的结果，将这些添加到数据集中是没有意义的，因为模型不会学习任何新的东西.
对于不完美的数据集，新图像的结果将显示（一些）错误，这些错误适合进一步训练。但是数据集中可能已经存在“坏”图像，因此需要删除这些图像。这表明选项 1 必须按某个时间表发生，以完全消除“坏”图像的影响。
在较短的时间表上，如果新图像在域类别之间合理平衡（在某种意义上是先前数据集的代表性子集），则选项 3 是合适的。
选项 2 看起来很安全，也更容易理解。当您说“算法可能更多地加权早期图像”时，如果早期图像“好”，我不明白为什么这是一个问题。但是，我可以看到域可能会随着时间（演变）而变化，在这种情况下，您可能希望抵消旧图像的权重。我知道您可以修改训练数据来做到这一点，正如这个问题中所讨论的那样：