工作记录：训练、测 e169 试 TF-SSD

1.训练

ssd_vgg_300

中修改：（num_classes可以在运行训练文件时指定，因此这里可以不修改）

'num_classes': 14,
'no_annotation_label': 14,
'normalizations': [13, -1, -1, -1, -1, -1],

设置训练参数，运行训练文件：

DATASET_DIR=./OPTIMAL_Z_FINAL
TRAIN_DIR=./My_chkp
CHECKPOINT_PATH=./checkpoints/vgg_16.ckpt

python train_ssd_network.py \
--train_dir=${TRAIN_DIR} \
--dataset_dir=${DATASET_DIR} \
--dataset_name=optimal_z_2017 \
--dataset_split_name=train \
--model_name=ssd_300_vgg \
--checkpoint_path=${CHECKPOINT_PATH} \
--checkpoint_model_scope=vgg_16 \
--checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box \
--trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box \
--save_summaries_secs=60 \
--save_interval_secs=600 \
--weight_decay=0.0005 \
--optimizer=adam \
--learning_rate=0.001 \
--learning_rate_decay_factor=0.94 \
--batch_size=50 \
--num_classes=14 \
--labels_offset=1 \
--max_number_of_steps=1000000

2.测试

测试之前，保证

datasets/optimal_z_2017

中：（注意这里的valid不要写成test）

SPLITS_TO_SIZES={'train': 12520, 'valid': 9233,}
NUM_CLASSES=13

测试参数：

DATASET_DIR=./OPTIMAL_Z_FINAL
TRAIN_DIR=./My_chkp
EVAL_DIR=${TRAIN_DIR}/eval
python eval_ssd_network.py \
--eval_dir=${EVAL_DIR} \
--dataset_dir=${DATASET_DIR} \
--dataset_name=optimal_z_2017 \
--dataset_split_name=valid \
--model_name=ssd_300_vgg \
--checkpoint_path=${TRAIN_DIR} \
--wait_for_checkpoints=True \
--batch_size=1 \
--max_num_batches=500 \
--num_classes=14

修改

ssd_vgg_300

，

权重所使用的训练参数：

--weight_decay=0.0005 \
--optimizer=adam \
--learning_rate=0.001 \
--learning_rate_decay_factor=0.94 \
--batch_size=50 \
--num_classes=14 \
--labels_offset=0 \

迭代次数	2000样本mAP/%
94747	22.7811

此时网络已经不能更收敛了，观察tensorboard的可视化结果，发现只有个别类别准确率达到50%，其余的大多数20%，还有很多0%，因此可以确定代码哪里参数设置有问题，总之，此次训练失败。

期待后续工作，深入调试这份代码，争取在自己的数据库上达到50%的准确率。

修改

ssd_vgg_300

，

权重所使用的训练参数：

--weight_decay=0.0005 \
--optimizer=adam \
--learning_rate=0.001 \
--learning_rate_decay_factor=0.94 \
--batch_size=50 \
--num_classes=13 \
--labels_offset=0 \

迭代次数	2000样本mAP/%
5878	16.59
10090	18.61
20271	24.26
30472	25.53
40662	25.71
50906	25.65
61154	25.82
71407	25.81
81549	25.80
91586	25.80
100766	25.80

权重所使用的训练参数：

--weight_decay=0.0005 \
--optimizer=adam \
--learning_rate=0.001 \
--learning_rate_decay_factor=0.94 \
--batch_size=50 \
--num_classes=14 \
--labels_offset=1 \

测试结果：（VOC07mAP）

	500样本	2000样本
第0次迭代	mAP=0%；
第840次迭代	mAP=2.34%
第3386次迭代	mAP=4.77%
第5082次迭代	mAP=7.46%
第7629次迭代	mAP=10.24%
第9331次迭代	mAP=10.82%
第10183次迭代	mAP=11.15%	mAP=19.47%
第15289次迭代	mAP=11.78%
第20386次迭代	mAP=12.13%	mAP=20.38%
第25484次迭代	mAP=13.22%
第30582次迭代	mAP=12.70%	mAP=21.98%
第35683次迭代	mAP=12.38%
第40784次迭代	mAP=12.24%	mAP=22.28%
第45889次迭代	mAP=12.46%
第50995次迭代	mAP=12.51%	mAP=22.56%
第55253次迭代	mAP=12.40%
第60362次迭代	mAP=12.43%	mAP=22.40%
第65448次迭代	mAP=12.40%
第71389次迭代	mAP=12.39%	mAP=22.38%
第76516次迭代	mAP=12.41%
第81557次迭代	mAP=12.42%	mAP=22.42%
第91792次迭代		mAP=22.40%
第101054次迭代		mAP=22.40%
第110355次迭代		mAP=22.40%
第次迭代		mAP=%
第次迭代		mAP=%
第次迭代		mAP=%
第次迭代		mAP=%
第次迭代		mAP=%

3.结果对比

之前只修改了类别数、没修改标签数的测试结果：（虽然收敛了，但是还是有点慢）

第0次迭代，mAP=0%；
第822次迭代，mAP=1.31%；
第1655次迭代，mAP=2.57%；
第3322次迭代，mAP=6.15%；
第6659次迭代，mAP=9.05%；
第8329次迭代，mAP=9.02%；
第10001次迭代，mAP=10.42%；
第12517次迭代，mAP=10.97%；
第15877次迭代，mAP=12.13%；
第20086次迭代，mAP=11.79%；

之前没有修改类别数、没修改标签数的测试结果：（显然失败）

第441571次迭代，mAP=8.34%；

3.可视化

tensorard --logdir=./eval --port=7000