自動駕駛資料集BDD訓練mobileNet-SSD <2>

這次的部落格準備接著上次的結果來寫的，但是結果非常的不好，那這裡就當作是上次的總結吧

mobileNet-ssd 在BDD資料集上訓練收斂不了，嘗試了很多方法，loss一直在7.0左右，降不下去。

可能的原因：

1,BDD資料集中存在dirty的資料，需要進行資料清洗。例如BDD中夜間的標註，很多人眼根本分辨不出來是什麼東西的標註框，另外BDD中還存在有的行人的標註框非常的小，30畫素以下的物體。

2,mobileNet-ssd不能很好的擬合多樣性太大的資料集。因為BDD中包含的場景非常複雜，有白天，夜晚，雨天，晴朗，城市道路，鄉村道路等等

以上原因是個人的猜想，具體的原因還不清楚。

mobileNet-ssd的效能

1,在voc資料集上訓練情況比較好。loss可以下降到1.8左右，準確率大約0.7。

2,在gtx1080顯示卡上時間消耗大約是11ms，在tx2上時間消耗大約是28ms。（使用depthwise）

替代mobileNet-ssd的一點想法

1,moileNet-ssd的效果並不算好，時間消耗也不驚豔。嘗試使用tensorrt來加速mobileNet，但是本人對tensorrt並不太熟悉，摸索了一個星期，結果也沒有跑通，還想繼續嘗試一下，畢竟tensorrt是在gpu架構上量化加速的一個特別好的方法，值得去學習。

2,mobileNet的性質決定了其優勢不在gpu上，而是cpu上。請教了一些做目標檢測方面的人，他們給我建議是gpu上不要使用mobileNet，價效比不高。不如將ssd中的VGG換成resnet16或者resnet20,我覺得比較靠譜，去嘗試一下。

3,其他的輕量化網路，例如peleeNet，tinyDOSD，這兩者在論文中的效果都已經超過了mobileNetV2。嘗試過跑了這兩者的效果，時間消耗並不如mobileNet-ssd，所以我直接不打算繼續跟進了。tinyDSOD的模型大小居然只有3M多，但是在tx2上時間消耗居然要60ms。