有什么方法可以修改可用的 TensorFlow 模型架构（例如 ssd 或 fast r-cnn），使其仅针对一个对象检测进行优化？
Is there any way to modify available TensorFlow models architecture (such as ssd or fast r-cnn) so it is optimized for only one object detection?
我是机器学习和 TensorFlow 的新手，所以很抱歉，如果我的理解有误，请纠正我。我有这个项目，使用 TensorFlow 开发实时交通灯检测。
我一直在使用预训练的 TensorFlow 模型，例如 SSD Mobilenet 和 Faster R-CNN Resnet。但是，还没有达到预期的精度结果。我已经考虑向数据集添加更多数据（我的数据集包含 +/-1000 张图像），但因为添加更多数据需要更多工作（因为我必须进行另一次数据采集并标记所有图像），这可能需要天。我想考虑另一种选择。
有没有什么方法可以修改 TensorFlow 模型架构，以便我可以优化并使其仅专注于交通灯检测？我一直在查看 TensorFlow 模型文件夹，但找不到这些模型架构在哪个文件中定义。
如有任何帮助，我们将不胜感激。谢谢
您需要在交通灯数据集上微调预训练模型。鉴于您已经有大约 1000 张图像用于一个 class，这是一个下降数据集。
为了进行微调，有一些重要的步骤要做。
- 首先，您需要将数据转换为 tfrecord 格式。按照 this 教程生成 tfrecord 文件。这实际上是一个困难的步骤。
为您的模型创建一个label_map.pbtxt，因为它只是一个红绿灯，您需要的就是这个。 Here 是示例 label_map 个文件。
项目{
姓名："traffic-light"
编号：1
display_name: "traffic-light"
}
然后你需要为模型准备一个流水线配置文件。既然你要实时检测器，我建议你使用SSD-mobilenet模型。一些示例配置文件可用 here。您可以采用此示例配置之一并修改一些字段以获得模型的管道配置。
假设你选择ssd_mobilenet，那么你可以修改这个配置文件，ssd_mobilenet_v2_coco.config。具体需要修改这些字段：
- num_classes: 你需要把90改成1，因为你只有红绿灯可以检测。
- input_path：（在
train_input_reader 和 eval_input_reader 中），将其指向您创建的 tfrecord 文件。
- label_map_path：（在
train_input_reader 和 eval_input_reader 中），将其指向您创建的 label_map 文件。
- fine_tune_checkpoint：将此路径设置为下载的预训练 ssd-mobilenet 模型。
根据您的训练结果，您可能需要进一步调整配置文件中的某些字段，但在训练后您的模型将只关注交通灯 class 并且可能具有很高的准确性.
所有具体教程都可以在repo网站上找到。如果您还有其他问题，可以在 Whosebug 上提问，标签为：object-detection-api 很多人会提供帮助。
我是机器学习和 TensorFlow 的新手，所以很抱歉，如果我的理解有误，请纠正我。我有这个项目，使用 TensorFlow 开发实时交通灯检测。
我一直在使用预训练的 TensorFlow 模型，例如 SSD Mobilenet 和 Faster R-CNN Resnet。但是，还没有达到预期的精度结果。我已经考虑向数据集添加更多数据（我的数据集包含 +/-1000 张图像），但因为添加更多数据需要更多工作（因为我必须进行另一次数据采集并标记所有图像），这可能需要天。我想考虑另一种选择。
有没有什么方法可以修改 TensorFlow 模型架构，以便我可以优化并使其仅专注于交通灯检测？我一直在查看 TensorFlow 模型文件夹，但找不到这些模型架构在哪个文件中定义。
如有任何帮助，我们将不胜感激。谢谢
您需要在交通灯数据集上微调预训练模型。鉴于您已经有大约 1000 张图像用于一个 class，这是一个下降数据集。
为了进行微调，有一些重要的步骤要做。
- 首先，您需要将数据转换为 tfrecord 格式。按照 this 教程生成 tfrecord 文件。这实际上是一个困难的步骤。
为您的模型创建一个label_map.pbtxt，因为它只是一个红绿灯，您需要的就是这个。 Here 是示例 label_map 个文件。
项目{ 姓名："traffic-light" 编号：1 display_name: "traffic-light" }
然后你需要为模型准备一个流水线配置文件。既然你要实时检测器，我建议你使用SSD-mobilenet模型。一些示例配置文件可用 here。您可以采用此示例配置之一并修改一些字段以获得模型的管道配置。
假设你选择ssd_mobilenet，那么你可以修改这个配置文件，ssd_mobilenet_v2_coco.config。具体需要修改这些字段：
- num_classes: 你需要把90改成1，因为你只有红绿灯可以检测。
- input_path：（在
train_input_reader和eval_input_reader中），将其指向您创建的 tfrecord 文件。 - label_map_path：（在
train_input_reader和eval_input_reader中），将其指向您创建的 label_map 文件。 - fine_tune_checkpoint：将此路径设置为下载的预训练 ssd-mobilenet 模型。
根据您的训练结果，您可能需要进一步调整配置文件中的某些字段，但在训练后您的模型将只关注交通灯 class 并且可能具有很高的准确性.
所有具体教程都可以在repo网站上找到。如果您还有其他问题，可以在 Whosebug 上提问，标签为：object-detection-api 很多人会提供帮助。