Tensorflow 对象检测 API 中的过拟合

Posted 2023-03-27

技术标签:

【中文标题】Tensorflow 对象检测 API 中的过拟合【英文标题】：Overfitting in Tensorflow Object detection API 【发布时间】：2020-06-16 23:11:03 【问题描述】：

我正在自定义数据集（即车牌数据集）上训练 tensorflow 对象检测 API 模型。 我的目标是使用 tensorflow lite 将此模型部署到边缘设备，因此我无法使用任何 RCNN 系列模型。因为，我无法将任何 RCNN 系列对象检测模型转换为 tensorflow lite 模型（这是 tensorflow 对象检测 API 的限制）。我正在使用ssd_mobilenet_v2_coco 模型来训练自定义数据集。以下是我的配置文件的代码 sn-p：

model 
  ssd 
    num_classes: 1
    box_coder 
      faster_rcnn_box_coder 
        y_scale: 10.0
        x_scale: 10.0
        height_scale: 5.0
        width_scale: 5.0
      
    
    matcher 
      argmax_matcher 
        matched_threshold: 0.5
        unmatched_threshold: 0.5
        ignore_thresholds: false
        negatives_lower_than_unmatched: true
        force_match_for_each_row: true
      
    
    similarity_calculator 
      iou_similarity 
      
    
    anchor_generator 
      ssd_anchor_generator 
        num_layers: 6
        min_scale: 0.2
        max_scale: 0.95
        aspect_ratios: 1.0
        aspect_ratios: 2.0
        aspect_ratios: 0.5
        aspect_ratios: 3.0
        aspect_ratios: 0.3333
      
    
    image_resizer 
      fixed_shape_resizer 
        height: 300
        width: 300
      
    
    box_predictor 
      convolutional_box_predictor 
        min_depth: 0
        max_depth: 0
        num_layers_before_predictor: 0
        use_dropout: false
        dropout_keep_probability: 0.8
        kernel_size: 1
        box_code_size: 4
        apply_sigmoid_to_scores: false
        conv_hyperparams 
          activation: RELU_6,
          regularizer 
            l2_regularizer 
              weight: 0.00004
            
          
          initializer 
            truncated_normal_initializer 
              stddev: 0.03
              mean: 0.0
            
          
          batch_norm 
            train: true,
            scale: true,
            center: true,
            decay: 0.9997,
            epsilon: 0.001,
          
        
      
    
    feature_extractor 
      type: 'ssd_mobilenet_v2'
      min_depth: 16
      depth_multiplier: 1.0
      conv_hyperparams 
        activation: RELU_6,
        regularizer 
          l2_regularizer 
            weight: 0.00004
          
        
        initializer 
          truncated_normal_initializer 
            stddev: 0.03
            mean: 0.0
          
        
        batch_norm 
          train: true,
          scale: true,
          center: true,
          decay: 0.9997,
          epsilon: 0.001,
        
      
    
    loss 
      classification_loss 
        weighted_sigmoid 
        
      
      localization_loss 
        weighted_smooth_l1 
        
      
      hard_example_miner 
        num_hard_examples: 3000
        iou_threshold: 0.99
        loss_type: CLASSIFICATION
        max_negatives_per_positive: 3
        min_negatives_per_image: 3
      
      classification_weight: 1.0
      localization_weight: 1.0
    
    normalize_loss_by_num_matches: true
    post_processing 
      batch_non_max_suppression 
        score_threshold: 1e-8
        iou_threshold: 0.6
        max_detections_per_class: 100
        max_total_detections: 100
      
      score_converter: SIGMOID
    
  


train_config: 
  batch_size: 24
  optimizer 
    rms_prop_optimizer: 
      learning_rate: 
        exponential_decay_learning_rate 
          initial_learning_rate: 0.004
          decay_steps: 800720
          decay_factor: 0.95
        
      
      momentum_optimizer_value: 0.9
      decay: 0.9
      epsilon: 1.0
    
  
  fine_tune_checkpoint: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/experiments/training_SSD/ssd_mobilenet_v2_coco_2018_03_29/model.ckpt"
  fine_tune_checkpoint_type:  "detection"
  num_steps: 150000
  data_augmentation_options 
    random_horizontal_flip 
    
  
  data_augmentation_options 
    ssd_random_crop 
    
  


train_input_reader: 
  tf_record_input_reader 
    input_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/training.record"
  
  label_map_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/classes.pbtxt"


eval_config: 
  num_examples: 488
  num_visualizations : 488


eval_input_reader: 
  tf_record_input_reader 
    input_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/testing.record"
  
  label_map_path: "/home/sach/DL/Pycharm_Workspace/TF1.14/License_Plate_F-RCNN/dataset/records/classes.pbtxt"
  shuffle: false
  num_readers: 1

我总共有 1932 张图像（训练图像：1444 和 val 图像：448）。我已经将模型训练了 150000 步。以下是张量板的输出：

DetectionBoxes Precision mAP@0.5 IOU：经过 150K 步后，目标检测模型准确率（mAP@0.5 IOU）约为 0.97，即 97%。目前看来还不错。

训练损失：经过 150K 步后，训练损失约为 1.3。这似乎没问题。

评估/验证损失：经过 150K 步后，评估/验证损失约为 3.90，相当高。但是，训练损失和评估损失之间存在巨大差异。是否存在过拟合？我该如何克服这个问题？在我看来，训练和评估损失应该是接近的。

如何减少验证/评估损失？我使用默认配置文件，所以默认情况下use_dropout: false。如果存在过度拟合，我应该将其更改为 use_dropout: true 吗？对象检测模型的训练和验证损失的可接受范围应该是多少？

请分享您的观点。感谢您！

【问题讨论】：

为什么 num_classes 是 1 ？这是它应该的方式吗？还是我错过了什么？嗨，它应该是 1，因为我只寻找一个类，即“车牌”。哦，对了.. 正如您所提到的，您可以继续使用 dropouts。然后作为第一步，我建议您添加一些增强功能。选择特别考虑车牌的增强。第 2 步将调整您的锚点。查看此 url 以检查如何通过生成锚来优化检测。 github.com/joydeepmedhi/Anchor-Boxes-with-KMeans 我还应该启用每 5000 步大约 10% 的学习率衰减吗？因为在默认配置文件中，学习率衰减未启用。 decay_steps: 800720 的 Bcoz 只需 800720 步即可工作。是的。不能让它保持在 5000 步的粗略方式。会太频繁。尝试将其设置在 20000 甚至 30000 左右。通常我会说至少 2 个时期。 【参考方案1】：

在神经网络中出现过拟合问题有几个原因，通过查看您的配置文件，我想提出一些避免过拟合的建议。

use_dropout: true 从而使神经元对权重的微小变化不那么敏感。

尝试在batch_non_max_suppression 中增加iou_threshold。

使用l1 regularizer 或l1 and l2 regularizer 的组合。

将优化器更改为 Nadam 或 Adam 优化器。

包括更多Augmentation 技术。

您还可以使用Early Stopping 来跟踪您的准确性。

或者，您可以观察Tensorboard 可视化，在验证损失开始增加的步骤之前获取权重。

我希望尝试这些步骤可以解决模型的过度拟合问题。

【讨论】：

以上是关于Tensorflow 对象检测 API 中的过拟合的主要内容，如果未能解决你的问题，请参考以下文章

TensorFlow之tf.nn.dropout()：防止模型训练过程中的过拟合问题