Tensorflow目标检测:为什么使用固态硬盘mobilnet v1时，图像中的位置会影响检测精度？
我正在训练一个模型来检测夜空图片中的流星，我有一个相当小的数据集，大约有85张图像，每张图像都有一个边界框注释。我正在使用迁移学习技术，从ssd_mobilenet_v1_coco_11_06_2017检查点和TensorFlow1.4开始。在训练过程中，我将图像大小调整为600x600像素。我在流水线配置中使用数据增强来随机地水平、垂直翻转图像，并旋转90度。经过5000步后，模型收敛到损失约0.3，并将检测到流星，但似乎重要的是在图像中流星的位置。我是否必须通过给出每个可能位置的示例来训练模型？我已经附加了一个检测运行的样本，我在整个图像上平铺了一颗流星，并收到了不同级别的检测(过滤到50%)。我如何改进这一点？detected meteors in image example
回答 1
Stack Overflow用户
发布于 2018-05-08 02:39:55
这很可能是您的数据，我认为您通过改善数据集的异构性是一个谨慎的举动，但这也可能是您选择的模型。
值得注意的是，相对于TensorFlow对象检测接口model zoo中的其他模型，ssd_mobilenet_v1_coco的COCO mAP最低。您并不是在尝试检测COCO对象，但是对于通用模型的准确性而言，mAP数字是一个合理的近似值。
在可能的最高水平上，模型的选择在很大程度上是速度/准确性之间的权衡。您选择的模型ssd_mobilenet_v1_coco更注重速度而不是准确性。因此，我建议你在花大量时间对图像进行预处理之前，先尝试一下速度更快的RCNN模型(例如，faster_rcnn_inception_v2_coco)。
https://stackoverflow.com/questions/50045274
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号