YOLOv3_TensorFlow
YOLOv3_TensorFlow copied to clipboard
wizyoung
训练新数据集的几个参数问题请教
作者您好： 感谢您开放代码，现在有几个训练新数据集的参数问题向您请教一下： （1）自己制作的新数据集，新的数据集与原COCO数据集都不一样，类别也不一样，所以，我只是用COCO数据集转换来的模型做一开始的导入，类似初始化，导入后还是根据训练集继续计算的。这样的话，args.py中的restore_path还是保持'./data/darknet_weights/yolov3.ckpt'的样子，save_dir给一个存储的位置，我这里是'./checkpoint/'，这样途中计算的结果就存在这里了，我这样理解对吗？ （2）eval.py中的restore_path，因为是要用计算出的模型来验证，所以应该也是用'./checkpoint/'，而不是之前的COCO模型路径，这样理解对吗？ （3）第一次训练，输出的中间模型和最佳模型都有记录在'./checkpoint/'目录中，但是中断以后，再次清空模型目录，从头训练的时候，发现只记录最佳模型，中间模型都不输出了，不知道是哪里的问题。 （4）我的计算结果，rec: 0.938, prec: 0.018，recall很高，precision却很低，不知道原因。 ======> Epoch: 80, global_step: 228257.0, lr: 1e-05 <====== EVAL: Class 0: Recall: 0.8918, Precision: 0.0720, AP: 0.4704 EVAL: Class 1: Recall: 0.8978, Precision: 0.0507, AP: 0.4492 EVAL: Class 2: Recall: 0.8986, Precision: 0.0490, AP: 0.4428 EVAL: Class 3: Recall: 0.8914, Precision: 0.0526, AP: 0.4530 EVAL: Class 4: Recall: 0.9008, Precision: 0.0504, AP: 0.4490 EVAL: Class 5: Recall: 0.8950, Precision: 0.0649, AP: 0.4775 EVAL: Class 6: Recall: 0.8968, Precision: 0.0685, AP: 0.4888 EVAL: Class 7: Recall: 0.8883, Precision: 0.0646, AP: 0.4697 EVAL: Class 8: Recall: 0.8965, Precision: 0.0639, AP: 0.4677 EVAL: Class 9: Recall: 0.9104, Precision: 0.0556, AP: 0.5322 EVAL: Recall: 0.8967, Precison: 0.0582, mAP: 0.4700 EVAL: loss: total: 124.30, xy: 1.68, wh: 0.21, conf: 18.47, class: 103.94
以上是我的问题，感谢您的关注。 谢谢！
还有，解决这个问题你要看下你的样本应该是极度不平衡的，负样本太多了。
我的是十分类的样本，各类别样本数量是均衡的。我感觉我肯定是哪里参数没设置好。我关于模型的参数是这样的：
args.py
restore_path = './checkpoint/'
save_dir = './checkpoint/'
eval.py parser.add_argument("--restore_path", type=str, default="./checkpoint/", help="The path of the weights to restore.")
我是不知你所云为何物，你所谓的十分类和我讲的负样本是两码事，你的十分类都是正样本，而我说的是负样本。你的参数我也不知所云，yolo系列属于dense detector，密集抽样，负样本占多数，不管你几分类。可能你需要补一补机器学习的知识，比如先从opencv实现svm十分类，再来看yolov3这种深度学习网络。你提出的问题太基础了，我的回答你都看不懂的。
好的，谢谢指点
我是不知你所云为何物，你所谓的十分类和我讲的负样本是两码事，你的十分类都是正样本，而我说的是负样本。你的参数我也不知所云，yolo系列属于dense detector，密集抽样，负样本占多数，不管你几分类。可能你需要补一补机器学习的知识，比如先从opencv实现svm十分类，再来看yolov3这种深度学习网络。你提出的问题太基础了，我的回答你都看不懂的。
另外，和您请教一下，我们在训练集里标注的，应该都是正样本吧，负样本如何体现呢？
负样本是dense detector机制决定的，举个例子，v1中，特征图77，492，一共98个boundingbox，你手动框的物体，它的中心点占据一个正样本，十个物体就有十个所谓正样本，以此类推，但是98个box都是存在的，其他的88个就在网络训练中当成都是背景了，负样本就是这样的机制，这个是one stage特有的，没有rpn的，yolov3一样的意思，而且负样本剧增，你不要太在乎prec，你训练的map体现你的最终效果，除非你的任务对prec有要求，这涉及到虚警率和漏警率的问题，需要继续进行改进，要看具体你做什么，当然不是拿来主义就能判定的。 … ---原始邮件--- 发件人: "blade_2004"[email protected] 发送时间: 2019年8月23日(星期五) 上午10:49 收件人: "wizyoung/YOLOv3_TensorFlow"[email protected]; 抄送: "Comment"[email protected];"dailiwei"[email protected]; 主题: Re: [wizyoung/YOLOv3_TensorFlow] 训练新数据集的几个参数问题请教 (#141) 我是不知你所云为何物，你所谓的十分类和我讲的负样本是两码事，你的十分类都是正样本，而我说的是负样本。你的参数我也不知所云，yolo系列属于dense detector，密集抽样，负样本占多数，不管你几分类。可能你需要补一补机器学习的知识，比如先从opencv实现svm十分类，再来看yolov3这种深度学习网络。你提出的问题太基础了，我的回答你都看不懂的。 另外，和您请教一下，我们在训练集里标注的，应该都是正样本吧，负样本如何体现呢？ — You are receiving this because you commented. Reply to this email directly, view it on GitHub, or mute the thread.
非常感谢！我继续消化。
我用的是只有一个类别的分类，也是同样的问题precision很低，迫于代码注视和结构有点乱，没法直接看出出什么问题了。 这批数据用pjreddie/darknet repo下的方案跑起来正常的啊。
我用的是只有一个类别的分类，也是同样的问题precision很低，迫于代码注视和结构有点乱，没法直接看出出什么问题了。 这批数据用pjreddie/darknet repo下的方案跑起来正常的啊。
请问你的问题解决了吗？ 我这里也是precission很低。map很高。 看到希望您回复一下，谢谢
我用的是只有一个类别的分类，也是同样的问题precision很低，迫于代码注视和结构有点乱，没法直接看出出什么问题了。 这批数据用pjreddie/darknet repo下的方案跑起来正常的啊。
请问你的问题解决了吗？ 我这里也是precission很低。map很高。 看到希望您回复一下，谢谢
出现了同样的问题，望指教
I want to use yolov3 to predict the number of real-time person from the rtsp stream with suited interval,anyone has the right python file?
博主的数据颜色处理环节是不是有问题哈，代码如下： def random_hue(img_hsv, hue_vari, p=0.5): if np.random.uniform(0, 1) > p: hue_delta = np.random.randint(-hue_vari, hue_vari) img_hsv[:, :, 0] = (img_hsv[:, :, 0] + hue_delta) % 180 return img_hsv 这个地方的180有点诡异，opencv读取的数据范围在[0 255]之间，他这里全部归一化到[0 180] 我感觉有点不对。
