如何使用Tensorflow Object Detection API继续训练物体检测模型？

Question

我正在使用Tensorflow Object Detection API进行迁移学习，训练一个目标检测模型。具体来说，我使用model zoo中的ssd_mobilenet_v1_fpn_coco，并使用提供的示例pipeline，当然，我已经用实际链接替换了占位符，包括我的训练和评估tfrecords和标签。

使用上述pipeline，我能够成功地在约5000张图像（以及相应的边界框）上训练模型（如果相关，则主要使用Google的TPU ML引擎）。

现在，我准备了额外的约2000张图像，并希望在不从头开始重新训练的情况下，使用这些新图像继续训练我的模型（训练初始模型花费了大约6小时的TPU时间）。我该怎么做？

- Simon Labrecque

Answer 1

您有两个选项，在这两个选项中，都需要更改新数据集的 train_input_reader 的 input_path ：

1. 在训练配置中指定要微调的检查点时，请指定您经过训练的模型的检查点

train_config{
    fine_tune_checkpoint: <path_to_your_checkpoint>
    fine_tune_checkpoint_type: "detection"
    load_all_detection_checkpoint_vars: true
}

2. 只需保持相同的配置（除了train_input_reader），并使用之前模型相同的model_dir。这样，API将创建一个图形，并检查model_dir中是否已存在符合该图形的检查点。如果是这样-它将恢复并继续训练。

编辑：由于错误，fine_tune_checkpoint_type先前设置为true，而通常应该是“detection”或“classification”，在这种特定情况下应该是“detection”。感谢Krish的指出。

- netanel-sam

---

你是简单地添加了更多已经存在的类别示例，还是引入了新的类别？如果是新的类别，你在管道中使用了什么值作为num_classes的值？此外，你是创建了一个新的classes.pbtxt文件还是只是追加了新的类别？ - Adrian Hood Sr

Answer 2

我还没有在新数据集上重新训练过目标检测模型，但是看起来在配置文件中增加训练步骤的数量train_config.num_steps并在tfrecord文件中添加图像应该就足够了。

- Vlad-HC