时间戳

首页 > 解决方案 > 如何检查 tensorflow object_detection 中的训练/评估性能

object - 如何检查 tensorflow object_detection 中的训练/评估性能

问题描述

当我检查张量板以观察训练性能时，只显示 eval_0（蓝色）结果。

在此处输入图像描述

虽然它应该是一个单独的火车（橙色）和 eval（蓝色）结果，如 tensorboard 网站所示（https://www.tensorflow.org/guide/summaries_and_tensorboard？）。

但是，我想比较模型在训练数据集和评估数据集上的性能。

所以我检查了 models/research/object_detection/model_main.py 并想知道

如果 II 可以通过将model_dir的标志设置为model/eval文件夹并将eval_training_data的标志设置为model/train文件夹来获得基于 train 和 eval 数据集的精度？

flags.DEFINE_string('model_dir', None, 'Path to output model directory '
                     'where event and checkpoint files will be written.')

flags.DEFINE_boolean('eval_training_data', False,
                     'If training data should be evaluated for this job. Note '
                     'that one call only use this in eval-only mode, and '
                     '`checkpoint_dir` must be supplied.')

我对这句话感到困惑。

请注意，一个调用仅在 eval-only 模式下使用它，并且必须提供 checkpoint_dir。

这是否意味着如果我只想在 eval-only 模式下运行它，那么我必须设置 checkpoint_dir？如果我想同时用train和eval运行它，我不需要设置checkpoint_dir？

标签： objecttensorflowdetection

解决方案

如果您想在验证数据上评估您的模型，您应该使用：

python models/research/object_detection/model_main.py --pipeline_config_path=/path/to/pipeline_file --model_dir=/path/to/output_results --checkpoint_dir=/path/to/directory_holding_checkpoint --run_once=True

如果你想在训练数据上评估你的模型，你应该将 'eval_training_data' 设置为 True，即：

python models/research/object_detection/model_main.py --pipeline_config_path=/path/to/pipeline_file --model_dir=/path/to/output_results --eval_training_data=True --checkpoint_dir=/path/to/directory_holding_checkpoint --run_once=True

我还添加了注释以澄清以前的一些选项：

--pipeline_config_path：用于训练检测模型的“pipeline.config”文件的路径。此文件应包含您要评估的 TFRecords 文件（训练和测试文件）的路径，即：

    ...
    train_input_reader: {
        tf_record_input_reader {
                #path to the training TFRecord
                input_path: "/path/to/train.record"
        }
        #path to the label map 
        label_map_path: "/path/to/label_map.pbtxt"
    }
    ...
    eval_input_reader: {
        tf_record_input_reader {
            #path to the testing TFRecord
            input_path: "/path/to/test.record"
        }
        #path to the label map 
        label_map_path: "/path/to/label_map.pbtxt"
    }
    ...

--model_dir：将写入结果指标的输出目录，特别是 tensorboard 可以读取的“events.*”文件。

--checkpoint_dir：保存检查点的目录。这是在训练过程中或在使用“export_inference_graph.py”导出后写入检查点文件（“model.ckpt.*”）的模型目录。

--run_once : True 只运行一轮评估。

推荐阅读