deep-learning - 使用 SSD MobileNetv2 进行对象检测和高损失值的配置中的图像增强选项
问题描述
我注意到,当我包含如下图像增强选项来训练我的对象检测模型时,损失值非常高,例如 30K 和 65K,这与我不使用这些选项时不同
为什么呢?请注意,我只在最初的几百步中观察到了这一点,并且婴儿没有让我的模型坐太久
65K损失值与这些
data_augmentation_options {
random_image_scale {
min_scale_ratio:0.5
min_scale_ratio:2
}
}
data_augmentation_options {
scale_boxes_to_pixel_coordinates {
}
}
~30K 加上这些损失值
data_augmentation_options {
random_image_scale {
min_scale_ratio:0.5
min_scale_ratio:2
}
}
data_augmentation_options {
random_pixel_value_scale {
}
}
data_augmentation_options {
random_crop_image {
}
}
data_augmentation_options {
scale_boxes_to_pixel_coordinates {
}
}
解决方案
我昨天也观察到了同样的情况,并为我提出了以下观察结果。如果您只是观察几个步骤的训练,它无法像使用非增强数据集那样快速地概括整个测试集。在这里,您必须看到一个像更大的数据集一样的增强数据集,其中有更多的变化。但是这里的信息从第一个 epoch 开始就无法获得,需要一些时间才能在训练期间暴露出这种差异。
因此,只需尝试更长时间地训练它并观察结果,结果应该会有所改善。
推荐阅读
- mysql - 在 Mac 上使用终端将 .sql 文件导入 MySQL 数据库时出错
- html - 插入表单后使用引导程序没有响应的卡
- python - 列表理解 += 运算符
- jquery - 使用ckeditor,Ajax获取textarea的值
- git - 当我使用 git 创建文件时无法提交
- python - 如何从dict中的值中删除'\ n'?使用 json 文件
- cookies - blazor 令牌刷新过时 cookie 问题
- javascript - React Native Net Info 它工作一次
- stata - 将宽改长为长
- python - 如何在 Python 中将字符串(包含:)转换为字典?