如何减少 Tensorflow 的对象检测 API 中的训练步骤数？

Question

我正在按照Dat Trans示例使用 TensorFlow 的对象检测器 API 训练我自己的对象检测器。

我成功地开始训练自定义对象。 我正在使用 CPU 来训练模型，但完成 100 个训练步骤大约需要 3 小时。 我想我必须更改.config一些参数。

我试图将.ckpt转换为.pb ，我参考了这篇文章，但我仍然无法转换

1）如何减少训练步数？
2）有没有办法将.ckpt转换为.pb 。

Answer 1

我不认为你可以减少训练步骤的数量，但你可以在任何检查点（ ckpt ）停止，然后将其转换为.pb文件
从 TensorFlow 模型 git 存储库中，您可以使用export_inference_graph.py
和以下代码

python tensorflow_models/object_detection/export_inference_graph.py \
--input_type image_tensor \
--pipeline_config_path architecture_used_while_training.config \
--trained path_to_saved_ckpt/model.ckpt-NUMBER \
--output_directory model/

其中NUMBER是指您最近保存的检查点文件编号，但是如果您在 tensorboard 中发现它更好，您可以使用较旧的检查点文件

Answer 2

1）恐怕没有有效的方法来“减少”训练步骤。 使用更大的批量可能会导致“更快”的训练（例如，在较少的步骤中达到高精度），但每个步骤都需要更长的时间来计算，因为您在 CPU 上运行。 使用输入图像分辨率可能会加快速度，但代价是精度较低。 您真的应该考虑迁移到配备 GPU 的机器上。

2) .pb文件（及其相应的文本版本.pbtxt ）默认仅包含图形的定义。 如果你冻结你的图表，你会采取一个检查点，获取图表中定义的所有变量，将它们转换为常量，并将存储在检查点中的值分配给它们。 您通常这样做是为了将经过训练的模型发送给使用它的任何人，但这在训练阶段是无用的。

Answer 3

我强烈建议找到一种方法来加快每个训练步骤的运行时间，而不是减少训练步骤的数量。 最好的方法是使用 GPU。 如果你不能这样做，你可以考虑降低图像分辨率或使用更轻的网络。

要转换为冻结推理图（.pb 文件），请参阅此处的文档： https : //github.com/tensorflow/models/blob/master/research/object_detection/g3doc/exporting_models.md

Answer 4

是的，.config 文件中有一个参数，您可以在其中尽可能减少步骤数。 num_steps：在 .config 文件中，它实际上是训练中的时期数。

但请记住，不建议减少太多。因为如果减少太多，您的损失函数不会减少太多，这会给您带来糟糕的输出。

所以继续观察损失函数，一旦它低于 1 ，那么你就可以开始单独测试你的模型，你的训练就会发生。

Answer 5

1. 是的，有一种方法可以改变训练步骤的数量：

试试这个，

python model_main_tf2.py --pipeline_config_path="config_path_here" --num_train_steps=5000 --model_dir="model_dir_here" --alsologtostderr

这里我将训练步数设置为 5000

2. 是的，有一种方法可以将检查点转换为 .pb：

试试这个，

python exporter_main_v2.py --trained_checkpoint_dir="checkpoint_dir_here" --pipeline_config_path="config_path_here" --output_directory "output_dir_here"

这将创建一个目录，用于保存检查点和 .pb 文件。