怎麼計算anchor size
自己用的GitHub 上 balacap這個版本的。
是什麼意思就不說了，網上很多，只說如果修改了min_sizes和max_sizes後，怎麼計算anchor_size。
可以直接跑下面的代碼得到修改後的數據。‘
import math,os
# just change this min_ratio and max_ratio
min_ratio = 20
max_ratio = 90
step = int(math.floor((max_ratio - min_ratio) / (6 - 2)))
min_sizes = []
max_sizes = []
for ratio in range(min_ratio, max_ratio + 1, step):
min_sizes.append(300.* ratio / 100.)
max_sizes.append(300 * (ratio + step) / 100.)
min_sizes = [300 * int(min_ratio/2) / 100.] + min_sizes
max_sizes = [300 * min_ratio / 100.] + max_sizes
print(min_sizes)
print(max_sizes)
結果：
20-90
PS C:\Users\dbt> & python c:/Users/dbt/Desktop/Untitled-1.py
[30.0, 60.0, 111.0, 162.0, 213.0, 264.0]
[60.0, 111.0, 162.0, 213.0, 264.0, 315.0]
15-90
PS C:\Users\dbt> & python c:/Users/dbt/Desktop/Untitled-1.py
[21.0, 45.0, 99.0, 153.0, 207.0, 261.0]
[45.0, 99.0, 153.0, 207.0, 261.0, 315.0]
和源碼中的對比：
# anchor_sizes=[(21., 45.),
# (45., 99.),
# (99., 153.),
# (153., 207.),
# (207., 261.),
# (261., 315.)],
anchor_sizes=[(30., 60.),
(60., 111.),
(111., 162.),
(162., 213.),
(213., 264.),
(264., 315.)],
試試其他的組合：
40-90
PS C:\Users\dbt> & python c:/Users/dbt/Desktop/Untitled-1.py
[60.0, 120.0, 156.0, 192.0, 228.0, 264.0]
[120.0, 156.0, 192.0, 228.0, 264.0, 300.0]
參數建議
anchor size
在ssd_vgg_300.py中。
可以根據自己的數據情況進行修改min 和max，並計算 anchor size.
怎麼設置合理:
如果數據集中小目標很多，就把min ， max 設置的小一點。
如果數據集中大目標很多，就把min ，max 設置的大一點。
anchor ratios
另外，anchor_ratios 橫縱比也要根據數據集調整，如我的目標很多橫的長條，如果用原來的，就很難識別到目標。
anchor_ratios=[[2, .5],
[2, .5, 3, 1./3],
[2, .5, 3, 1./3],
[2, .5, 3, 1./3],
[2, .5],
[2, .5]],
修改爲如下，效果好了很多。
anchor_ratios=[[4, 8],
[4, 8, 10, 15],
[4, 8, 10, 15],
[4, 8, 10, 15],
[4, 8],
[4, 8]],
train_ssd_network.py中的參數
tf.app.flags.DEFINE_float(
'loss_alpha', 1.0, 'Alpha parameter in the loss function.')
tf.app.flags.DEFINE_float(
'negative_ratio', 2.0, 'Negative ratio in the loss function.')
tf.app.flags.DEFINE_float(
'match_threshold', 0.15, 'Matching threshold in the loss function.')
想提高定位精度，增大 loss_alpha。想提高分類精度，減小loss_alpha
根據自己目標識別難易程度調整另外2個參數。
減小match threshold，獲得更多的正樣本。
調整 negative ratio ，控制訓練中實際使用的default box 中負樣本/正樣本的比例。
map 計算
單次計算map
python eval_ssd_network.py \ --eval_dir=./logs/ \
--dataset_dir=./tfrecords \ --dataset_name=pascalvoc_2007 \
--dataset_split_name=test \ --model_name=ssd_300_vgg \ --checkpoint_path=./checkpoints/VGG_VOC0712_SSD_300x300_ft_iter_1249.ckpt \ --batch_size=1 \
--wait_for_checkpoints=True \ --batch_size=1 \ --max_num_batches=100
連續計算
python eval_ssd_network.py \ --eval_dir=./logs/ \
--dataset_dir=./tfrecords \
--dataset_name=pascalvoc_2007 \
--dataset_split_name=test \
--model_name=ssd_300_vgg \ --checkpoint_path=./logs \
--batch_size=1 \ --wait_for_checkpoints=True \
--batch_size=1 \ --max_num_batches=100
訓命令報錯
檢測一下命令裏面的 空格，因爲 命令是根據--進行解析的，空格一定要注意，如果多了就會報錯。
結論
網上很多人說用了這個版本訓練自己的數據識別效果很差，很大原因是上面的參數沒有修改，根據自己的數據集修改後，map會好很多。