工作記錄：訓練、測試 TF-SSD

1.訓練

ssd_vgg_300中修改：（num_classes可以在運行訓練文件時指定，因此這裏可以不修改）

'num_classes': 14,
'no_annotation_label': 14,
'normalizations': [13, -1, -1, -1, -1, -1],

設置訓練參數，運行訓練文件：

DATASET_DIR=./OPTIMAL_Z_FINAL
TRAIN_DIR=./My_chkp
CHECKPOINT_PATH=./checkpoints/vgg_16.ckpt

python train_ssd_network.py \
    --train_dir=${TRAIN_DIR} \
    --dataset_dir=${DATASET_DIR} \
    --dataset_name=optimal_z_2017 \
    --dataset_split_name=train \
    --model_name=ssd_300_vgg \
    --checkpoint_path=${CHECKPOINT_PATH} \
    --checkpoint_model_scope=vgg_16 \
    --checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box \
    --trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box \
    --save_summaries_secs=60 \
    --save_interval_secs=600 \
    --weight_decay=0.0005 \
    --optimizer=adam \
    --learning_rate=0.001 \
    --learning_rate_decay_factor=0.94 \
    --batch_size=50 \
    --num_classes=14 \
    --labels_offset=1 \
    --max_number_of_steps=1000000 

2.測試

測試之前，保證datasets/optimal_z_2017中：（注意這裏的valid不要寫成test）

SPLITS_TO_SIZES={'train': 12520, 'valid': 9233,}
NUM_CLASSES=13

測試參數：

DATASET_DIR=./OPTIMAL_Z_FINAL
TRAIN_DIR=./My_chkp
EVAL_DIR=${TRAIN_DIR}/eval
python eval_ssd_network.py \
    --eval_dir=${EVAL_DIR} \
    --dataset_dir=${DATASET_DIR} \
    --dataset_name=optimal_z_2017 \
    --dataset_split_name=valid \
    --model_name=ssd_300_vgg \
    --checkpoint_path=${TRAIN_DIR} \
    --wait_for_checkpoints=True \
    --batch_size=1 \
    --max_num_batches=500 \
    --num_classes=14 

---

修改ssd_vgg_300，
權重所使用的訓練參數：

    --weight_decay=0.0005 \
    --optimizer=adam \
    --learning_rate=0.001 \
    --learning_rate_decay_factor=0.94 \
    --batch_size=50 \
    --num_classes=14 \
    --labels_offset=0 \

迭代次數	2000樣本mAP/%
94747	22.7811

此時網絡已經不能更收斂了，觀察tensorboard的可視化結果，發現只有個別類別準確率達到50%，其餘的大多數20%，還有很多0%，因此可以確定代碼哪裏參數設置有問題，總之，此次訓練失敗。
期待後續工作，深入調試這份代碼，爭取在自己的數據庫上達到50%的準確率。

---

修改ssd_vgg_300，
權重所使用的訓練參數：

    --weight_decay=0.0005 \
    --optimizer=adam \
    --learning_rate=0.001 \
    --learning_rate_decay_factor=0.94 \
    --batch_size=50 \
    --num_classes=13 \
    --labels_offset=0 \

迭代次數	2000樣本mAP/%
5878	16.59
10090	18.61
20271	24.26
30472	25.53
40662	25.71
50906	25.65
61154	25.82
71407	25.81
81549	25.80
91586	25.80
100766	25.80

---

權重所使用的訓練參數：

    --weight_decay=0.0005 \
    --optimizer=adam \
    --learning_rate=0.001 \
    --learning_rate_decay_factor=0.94 \
    --batch_size=50 \
    --num_classes=14 \
    --labels_offset=1 \

測試結果：（VOC07mAP）

	500樣本	2000樣本
第0次迭代	mAP=0%；
第840次迭代	mAP=2.34%
第3386次迭代	mAP=4.77%
第5082次迭代	mAP=7.46%
第7629次迭代	mAP=10.24%
第9331次迭代	mAP=10.82%
第10183次迭代	mAP=11.15%	mAP=19.47%
第15289次迭代	mAP=11.78%
第20386次迭代	mAP=12.13%	mAP=20.38%
第25484次迭代	mAP=13.22%
第30582次迭代	mAP=12.70%	mAP=21.98%
第35683次迭代	mAP=12.38%
第40784次迭代	mAP=12.24%	mAP=22.28%
第45889次迭代	mAP=12.46%
第50995次迭代	mAP=12.51%	mAP=22.56%
第55253次迭代	mAP=12.40%
第60362次迭代	mAP=12.43%	mAP=22.40%
第65448次迭代	mAP=12.40%
第71389次迭代	mAP=12.39%	mAP=22.38%
第76516次迭代	mAP=12.41%
第81557次迭代	mAP=12.42%	mAP=22.42%
第91792次迭代		mAP=22.40%
第101054次迭代		mAP=22.40%
第110355次迭代		mAP=22.40%
第次迭代		mAP=%
第次迭代		mAP=%
第次迭代		mAP=%
第次迭代		mAP=%
第次迭代		mAP=%

3.結果對比

之前只修改了類別數、沒修改標籤數的測試結果：（雖然收斂了，但是還是有點慢）

第0次迭代，mAP=0%；
第822次迭代，mAP=1.31%；
第1655次迭代，mAP=2.57%；
第3322次迭代，mAP=6.15%；
第6659次迭代，mAP=9.05%；
第8329次迭代，mAP=9.02%；
第10001次迭代，mAP=10.42%；
第12517次迭代，mAP=10.97%；
第15877次迭代，mAP=12.13%；
第20086次迭代，mAP=11.79%；

之前沒有修改類別數、沒修改標籤數的測試結果：（顯然失敗）

第441571次迭代，mAP=8.34%；

3.可視化

tensorard --logdir=./eval --port=7000