Тренируйте SSD-MOBILENET V1 и потери не уменьшаются

Значения потерь ssd_mobilenet могут отличаться от faster_rcnn. Из учебного пособия по обнаружению объектов TensorFlow от EdjeElectronics:

Для моего обучения на модели Faster-RCNN-Inception-V2 он начинался примерно с 3,0 и быстро опускался ниже 0,8. Я рекомендую позволить вашей модели тренироваться до тех пор, пока потери не упадут ниже 0,05, что займет около 40000 шагов или около 2 часов (в зависимости от мощности вашего процессора и графического процессора). Примечание: цифры потерь будут другими, если используется другая модель. MobileNet-SSD начинается с потери около 20, и ее следует обучать, пока потери не станут стабильно ниже 2.

Для получения дополнительной информации: https://github.com/EdjeElectronics/TensorFlow-Object-Detection-API-Tutorial-Train-Multiple-Objects-Windows-10#6-run-the-training

Архитектура SSD Mobilnet требует дополнительного обучения, чтобы соответствовать значениям точности потерь модели R-CNN, однако предлагает практичность, масштабируемость и легкую доступность на небольших устройствах, что делает модель SSD перспективным кандидатом для дальнейшей оценки (Fleury and Fleury, 2018).

Для получения дополнительной информации: Fleury, D. & Fleury, A. (2018). Внедрение архитектур обнаружения объектов машинного обучения Regional-CNN и SSD для анализа в реальном времени патогенов, передающихся через кровь, с помощью микроскопии темного поля. MDPI AG.

• Я бы порекомендовал вам использовать для тестирования 15–20% изображений, которые охватывают все разнообразие данных для обучения. Как вы сказали, у вас есть 650+ изображений для обучения и 150+ для тестирования. Это примерно 25% тестовых изображений. Похоже, у вас достаточно изображений для начала. Я знаю, чем больше, тем веселее, но make sure your model also has sufficient data to learn from!

• Изменение размера изображений не приводит к потере. Это обеспечивает единообразие всех изображений, чтобы модель могла распознать их без предвзятости. Потеря не имеет ничего общего с изменением размера изображения, поскольку все изображения изменяются одинаково.

• Вы должны делать остановки и восстанавливать контрольные точки снова и снова, если вы хотите, чтобы ваша модель идеально подходила. Обычно вы можете уйти с хорошей точностью re-training the ssd mobilenet until the loss consistently becomes under 1.
  
  В идеале мы хотим потерять чтобы быть как можно ниже, но мы хотим, чтобы make sure the model is not over-fitting. Все дело в методе проб и ошибок. (Кажется, что потеря от 0,5 до 1 хорошо справляется со своей задачей, но опять же, все зависит от вас.)

• Я считаю, что ваша модель неэффективна, потому что у вас есть множество данных тестирования и недостаточно данных для обучения.
  
  The model has not been given enough knowledge in training data to make the model learn for new variety of testing data. (Например: ваши тестовые данные содержат некоторые изображения новых углов зданий, которых недостаточно в обучающих данных). В этом случае я рекомендую вам поместить все разнообразные изображения в тренировочные данные, а затем выбрать изображения для тестирования, убедившись, что у вас по-прежнему достаточно тренировочных данных для новых поз. Вот почему я рекомендую брать 15% -20% тестовых данных.