这些是使用 model_main.py 进行 tensorflow 对象检测评估的预期结果吗？
Are these the expected results of tensorflow object-detection evaluation using model_main.py?
运行 TensorFlow 对象检测 API 自定义数据集的训练和评估 类，我有两个关于 运行 结果的问题此任务使用 model_main.py
总损失在 10k 步后开始（相对）上升..它在 8000 步后低于 1 但开始从 10k 步缓慢上升到 80k 步并以 1.4 损失结束..任何为什么会发生这种情况？
关于评估结果，为什么只有IoU=0.50精度为0.966，其余都在0.5以下，如下图：
Accumulating evaluation results...
DONE (t=0.07s).
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.471
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.966
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.438
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = -1.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.471
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.447
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.562
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.587
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = -1.000
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.587
INFO:tensorflow:Finished evaluation at 2019-05-06-03:56:37
INFO:tensorflow:Saving dict for global step 80000: DetectionBoxes_Precision/mAP
是的，这些结果是合理的。回答您的问题：
- tensorboard 上的总损失实际上是评估损失，如果损失开始上升，则可能是您的模型过度拟合。请参阅类似案例
. 的较早答案
- 评测结果为COCO评测格式。精度和召回率是在不同的 IoU、不同的区域和不同的最大检测数 (maxDets) 之间计算的。例如，
[ IoU=0.50:0.95 | area= all | maxDets=100 ]表示精度计算的IoU范围为0.5到0.95（以0.05为步长，IoU在此范围内的所有检测都被认为是正检测），面积范围为小，中，大，最大检测数为 100。如您所想，较低的 IoU 阈值意味着更多的检测将被计为真阳性，因此 IoU=0.5 具有最高的精度得分，因为它具有最大数量的阳性检测，当IoU=0.95时，较少的检测被计为真阳性。 IoU=0.50:0.95 是不同 IoU 的所有精度的平均值，因此该类别的精度低于 IoU=0.5 时的精度。
顺便说一句，area=small, medium 时的 -1.00 表示不存在此类类别，请参阅 here。所以这意味着数据集中的所有对象都非常大。
这里很好地说明了为什么较低的 IoU 意味着更多的检测是真阳性。 （图片source）
如果我们将IoU=0.4，那么所有三个检测都是正确的检测（true positives），如果我们设置IoU=0.6，那么只有两个是正确的，而当IoU=0.9时，只有一个检测是正确的。
关于如何计算 mAP 的一些 further reading。
运行 TensorFlow 对象检测 API 自定义数据集的训练和评估 类，我有两个关于 运行 结果的问题此任务使用 model_main.py
总损失在 10k 步后开始（相对）上升..它在 8000 步后低于 1 但开始从 10k 步缓慢上升到 80k 步并以 1.4 损失结束..任何为什么会发生这种情况？
关于评估结果，为什么只有IoU=0.50精度为0.966，其余都在0.5以下，如下图：
Accumulating evaluation results...
DONE (t=0.07s).
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.471
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.966
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.438
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = -1.000
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.471
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.447
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.562
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.587
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = -1.000
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.587
INFO:tensorflow:Finished evaluation at 2019-05-06-03:56:37
INFO:tensorflow:Saving dict for global step 80000: DetectionBoxes_Precision/mAP
是的，这些结果是合理的。回答您的问题：
- tensorboard 上的总损失实际上是评估损失，如果损失开始上升，则可能是您的模型过度拟合。请参阅类似案例
- 评测结果为COCO评测格式。精度和召回率是在不同的 IoU、不同的区域和不同的最大检测数 (maxDets) 之间计算的。例如，
[ IoU=0.50:0.95 | area= all | maxDets=100 ]表示精度计算的IoU范围为0.5到0.95（以0.05为步长，IoU在此范围内的所有检测都被认为是正检测），面积范围为小，中，大，最大检测数为 100。如您所想，较低的 IoU 阈值意味着更多的检测将被计为真阳性，因此IoU=0.5具有最高的精度得分，因为它具有最大数量的阳性检测，当IoU=0.95时，较少的检测被计为真阳性。IoU=0.50:0.95是不同 IoU 的所有精度的平均值，因此该类别的精度低于IoU=0.5时的精度。
顺便说一句，area=small, medium 时的 -1.00 表示不存在此类类别，请参阅 here。所以这意味着数据集中的所有对象都非常大。
这里很好地说明了为什么较低的 IoU 意味着更多的检测是真阳性。 （图片source）
如果我们将IoU=0.4，那么所有三个检测都是正确的检测（true positives），如果我们设置IoU=0.6，那么只有两个是正确的，而当IoU=0.9时，只有一个检测是正确的。
关于如何计算 mAP 的一些 further reading。