Smoothing97

Results 6 comments of Smoothing97

是因为tfrecord错误。可以在read_tfrecord.py下面作者给出了调试输出的主函数,加载你的tfrecord然后尝试输出。在报OOR错误的情况下,不会有输出。 尝试重新下载数据集、重新分割数据集并且重新生成tfrecord。

谢谢您的指点,跑出结果了,但是用dota_evaluation_task2.py测map结果不太好: ... classname: ship check fp: [ 1. 1. 1. ..., 1. 1. 1.] check tp [ 0. 0. 0. ..., 0. 0. 0.] npos num: 555 ap: 1.37685416361e-05 ......

update:using it training DOTA_H...wait the testing result:)

昨天我分别尝试了NAS_FPN和CASCADE_FPN。 为了节省重新生成DOTA_H_train.tfrecord的时间,我改写了读取tfrecord的代码,因为当前需要读入(xmin,xmax,ymin,ymax,label)的格式,而我的tfrecord是R2CNN中8dots+label的格式。 因为GPU数量有限,我没有采用multi_gpu_train,两份程序都是在一张1080TI上训练的,按照R2CNN的训练经验,我以为1天到两天就可以训练完毕,于是美滋滋的去睡觉了:) 今天早上查看结果,训练10小时后,NAS_FPN训练了2w步,cascade_FPN训练了3w步。ORZ 我能最快调动的1080TI最多有4张,所以NAS_FPN还是很吃显卡的对吗【手动狗头

@yangxue0827 经历了断网等一系列操作,我现在决定用可用的3张1080TI来训练cascade_fpn,数据集是DOTA_H。NAS_FPN比较费时间,先调一个比faster rcnn好的版本出来:) 另外,因为最近在研究DOTA数据集上的检测,基于Faster RCNN,我在想PANet会不会比FPN要好一些?是基于mask rcnn多做了一次特征融合。 ![image](https://user-images.githubusercontent.com/32809975/57581102-41b19280-74e5-11e9-935f-116895ff30ab.png) 我的思路还是跟进近年来rcnn的发展,引用自然图像中的检测算法,现在正在不断测试,也没有做数据增强和对于遥感图像的处理。因为看到大佬您在DOTA的检测上做了很多工作,想请教您在这个问题上的一些心得:加上FPN、PANet、NAS-FPN、ROI align这些模块对精度的提升作用大吗?还是应该设计更好的网络结构,或者采用one-stage的模型会有帮助吗? 打扰了,期待您的回复:)

update: NAS-FPN似乎对小目标友好,stack七次,通道384下3块1080TI训练10h,step到25000。打开tensorboard看检测结果: ![image](https://user-images.githubusercontent.com/32809975/57590217-e7541880-755c-11e9-8016-6c6cc01032a5.png) ![image](https://user-images.githubusercontent.com/32809975/57590224-f6d36180-755c-11e9-9248-f7281aaec170.png) ![image](https://user-images.githubusercontent.com/32809975/57590231-fdfa6f80-755c-11e9-8c0f-fc06b02b0253.png) 但是对大目标或者肉眼明显的目标还没显示出效果: ![image](https://user-images.githubusercontent.com/32809975/57590263-3306c200-755d-11e9-8e3b-c208918561a1.png) 由于训练步数太短,我将num_mas从7降为3继续训练,不知道会产生什么结果。等待ing...