如何使用 TensorFlow 训练 70k 图像

Posted 2023-03-13

【中文标题】如何使用 TensorFlow 训练 70k 图像

【英文标题】：How to train on 70k images using Tensorflow

【发布时间】：2018-10-02 09:39:48

【问题描述】：

我是 TensorFlow 和机器学习的新手。 我有一个包含 55k 图像的训练集，它们分为 40 个不同的类别。一些类别有大约 2000 张图像，而其他类别有大约 20k 张图像。 每张图片的分辨率为 1080x1440。

我正在使用 tensorflow inceptionV3 Imagenet 重新训练这些图像，但我得到的结果并不好。该程序无法正确分类图像。在测试集的几乎所有图像中，预期标签的准确率都非常低。

对于再培训，我的命令是 -

python retrain.py --image_dir=train_images --how_many_training_steps=4000 --output_graph=output_graph.pb --output_labels=output_labels.txt --bottleneck_dir=bottlenecks --saved_model_dir=saved_models

我没有使用其他参数，如 缩放、裁剪、测试批量大小、验证批量大小等，因为我不熟悉如何使用它们。

对于标签，我的命令是 -

python label_image.py --graph=output_graph.pb --labels=output_labels.txt  --input_layer=Placeholder --output_layer=final_result --image=51.jpg

有人可以帮助我了解如何使用这些输入参数以获得最佳效果吗？

提前致谢！

【问题讨论】：

我也想有一个学习率的最佳设置？如何做到这一点？？

【参考方案1】：

这个问题非常广泛，但有几件事。

我建议将 Keras 与 TensorFlow 后端一起使用，因为抽象可以更容易地理解正在发生的事情。在使用 Keras 框架时，您还可以找到大量示例。

Keras 有一些实用程序类可以帮助加载大量无法放入内存的数据。由于 ImageDataGenerator 从图像文件所在的目录中获取标签，因此使用默认的 ImageDataGenerator 预测许多类可能是不切实际的。 （这意味着对于 50 个类，您需要一个包含 50 个子文件夹的训练数据文件夹以及包含 50 个子文件夹的测试数据文件夹。如果您要进行交叉验证，则需要复制这些文件夹。）

更多信息在这里：

https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html

如果您不制作文件夹，那么您需要制作自己的生成器来加载文件并返回这些文件的标签。

对于这种情况，我建议看一下：

https://stanford.edu/~shervine/blog/keras-how-to-generate-data-on-the-fly.html