2. 程式人生 > >SSD講堂五(訓練) SSD Tensorflow 訓練測試自己的資料集 Jupiter notebook 顯示訓練結果 原博主：Echo_Harrington

SSD講堂五(訓練) SSD Tensorflow 訓練測試自己的資料集 Jupiter notebook 顯示訓練結果 原博主：Echo_Harrington

阿新 • • 發佈：2018-12-18

關於訓練的部落格：

https://blog.csdn.net/echo_harrington/article/details/81131441

關於統計目標框個數的程式碼（上述連結的統計程式碼有問題，此博主對其進行了修改）：

https://blog.csdn.net/memories_sunset/article/details/83309417

 

 

訓練結果不理想：



c:189] libcuda reported version is: 384.130.0
2018-11-06 22:59:26.674455: I tensorflow/stream_executor/cuda/cuda_diagnostics.cc:193] kernel reported version is: 384.130.0
2018-11-06 22:59:26.674460: I tensorflow/stream_executor/cuda/cuda_diagnostics.cc:300] kernel version seems to match DSO: 384.130.0
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Evaluation [495/4952]
INFO:tensorflow:Evaluation [990/4952]
INFO:tensorflow:Evaluation [1485/4952]
INFO:tensorflow:Evaluation [1980/4952]
INFO:tensorflow:Evaluation [2475/4952]
INFO:tensorflow:Evaluation [2970/4952]
INFO:tensorflow:Evaluation [3465/4952]
INFO:tensorflow:Evaluation [3960/4952]
INFO:tensorflow:Evaluation [4455/4952]
INFO:tensorflow:Evaluation [4950/4952]
INFO:tensorflow:Evaluation [4952/4952]
AP_VOC07/mAP[3.1429945658330214e-05]
AP_VOC12/mAP[1.5550553651226317e-05]
INFO:tensorflow:Finished evaluation at 2018-11-06-15:30:35
Time spent : 1868.962 seconds.
Time spent per BATCH: 0.377 seconds.

1

 

相關推薦

SSD講堂五(訓練) SSD Tensorflow 訓練測試自己的資料集 Jupiter notebook 顯示訓練結果 原博主：Echo_Harrington

關於訓練的部落格： https://blog.csdn.net/echo_harrington/article/details/81131441 關於統計目標框個數的程式碼（上述連結的統計程式碼有問題，此博主對其進行了修改）： https://blog.csdn.net/memories

【心得】深度學習入門——訓練並測試自己資料集

經過幾天的努力，成功訓練自己的資料集，並進行了單張圖片的測試。 訓練過程中val準確率約為0.91。看起來效果還比較理想，是否已經過擬合還沒有進行確定。 在訓練過程中，最討厭的就是處理檔案路徑和檔案存放位置。 一、ImageNet分類部分： caffe模型下有一個ex

為豬臉識別而進行自己資料集的構建、訓練

 在實際過程中走了彎路，特地進行說明記錄，以備今後參考。 思路是先構建VOC2007格式的豬臉資料集，在轉換成tf格式，然後利用tf的objectdetectionapi進行訓練。原因是把2種構

SSD講堂五(訓練)_錯誤除錯：failed to allocate 4.75G (5102921216 bytes) from device: CUDA_ERROR_OUT_OF_MEMORY

原文：https://blog.csdn.net/strive_for_future/article/details/81292865?utm_source=copy 1）需要指定GPU，程式碼頭部新增如下程式碼： import os os.environ["CUDA_VISIBLE_DEV

SSD講堂五(訓練)_SSD_訓練自己的資料集_在此部落格的基礎上執行方案3從頭訓練的時候遇到問題以及解決

我的批註一： 方案三在實際執行中遇到了一些問題： 第一：我的指令碼反斜槓“\”變成了紅色報錯，直接貼上博主的指令碼儲存為train.sh檔案，用bash train.sh的方式執行是不行的，暫時還沒找到原因。補充一下博主的腳本里面沒有寫dataset_set和train_dir的路徑。

Tensorflow如何儲存、讀取model （即利用訓練好的模型測試新資料的準確度）

目標： cnn2d.py cnn2d_test.py 訓練網路，並儲存網路模型 讀取網路，用測試集測試準確度 直接貼程式碼：（只貼了相關部分，瀏覽完整程式碼請到GitHub） 1. cnn2

TensorFlow入門教程：18：Iris資料集的線性迴歸訓練

這篇文章使用實際的統計資料來確認對線性迴歸的曲線擬合的效果，Iris資料集中花瓣的長度和寬度之間的關係滿足明顯的線性關係，這裡我們將使用前文多次使用的方式來對Iris資料進行分析。 Iris資料集 四

PyTorch(三)——使用訓練好的模型測試自己圖片

PyTorch的學習和使用（三） 在上一篇文章中實現瞭如何增加一個自定義的Loss，以Siamese network為例。現在實現使用訓練好的該網路對自己手寫的數字圖片進行測試。 首先需要對訓練時的權

基於Tensorflow, OpenCV. 使用MNIST資料集訓練卷積神經網路模型，用於手寫數字識別

基於Tensorflow，OpenCV 使用MNIST資料集訓練卷積神經網路模型，用於手寫數字識別 一個單層的神經網路，使用MNIST訓練，識別準確率較低 兩層的卷積神經網路，使用MNIST訓練（模型使用MNIST測試集準確率高於99%

python,tensorflow,CNN實現mnist資料集的訓練與驗證正確率

1.工程目錄 2.匯入data和input_data.py 連結：https://pan.baidu.com/s/1EBNyNurBXWeJVyhNeVnmnA 提取碼：4nnl  3.CNN.py import tensorflow as tf import matpl

利用caffe訓練好的模型測試自己的手寫字型圖片

轉載地址： http://blog.csdn.net/xunan003/article/details/73126425 一、前沿         寫這篇博文，是因為一開始在做《21天學習caffe》第6天6.4練習題1的時候看著自己搜尋的博文，在不理解其根本的情況下做的

caffe學習筆記（五）--使用自己的資料集第一次進行訓練

接著上一篇博文：製作自己的資料集 在製作好我們自己的LMDB格式的資料集後，我們就可以依照前面mnist的例程來對LeNet模型進行訓練啦，有木有很激動(≧▽≦)/ （雖然現在對模型而是一片懵懂） 簡單的說下步驟： 從caffe root/exmples

Windows下mnist資料集caffemodel分類模型訓練及測試

1. MNIST資料集介紹 MNIST是一個手寫數字資料庫，樣本收集的是美國中學生手寫樣本，比較符合實際情況，大體上樣本是這樣的： MNIST資料庫有以下特性： 包含了60000個訓練樣本集和

使用pytorch版faster-rcnn訓練自己資料集

使用pytorch版faster-rcnn訓練自己資料集 引言 faster-rcnn pytorch程式碼下載 訓練自己資料集 接下來工作 參考文獻 引言 最近在復現目標檢測程式碼（師兄強烈推薦F

《錯誤手記-01》 facenet使用預訓練模型fine-tune重新訓練自己資料集報錯

環境資訊：windows10+python3.5+tensorflow1.6.0 問題描述： 在自己的訓練集上跑train_softmax.py.  引數： --logs_base_dir F:/work/runspace/log/  --models_base_

Kaldi中thchs30訓練自己資料集的步驟

一、資料準備過程 網上下載的thchs-openslr資料集需要換成自己的資料集，包含兩個資料夾：data_thchs30和resource。下面講解如何搞定這一部分。 資料集在data_thchs30檔案中，包含四個部分（data、train、dev、test）。 data資料夾中包

【人臉顏值打分預測】華南理工資料集+ResNet50多階段訓練

主要採用fine-tune方法，因為資料集較小，採用遷移學習能提高特徵提取準確度 但是top層需要我們自己設計，所以top的權重是正態初始化的，不一定符合最優的一個權重，所以一開始不能直接全圖fine-tune，因為top層的差距會不斷向後傳導，影響預訓練權重，反而會打

yolov3訓練自己資料集可參考文章

參考部落格原址： https://blog.csdn.net/u012966194/article/details/80004647 這篇文章將介紹編譯darknet框架開始，到整理資料集，到用yolo網路實現一個內部資料集中號碼簿的定

Yolov3訓練自己資料集+資料分析

訓練自己到資料集已經在上一篇文中說明過了，這一篇著重記錄一下資料分析過程 資料分析 1. mAP值計算 1)訓練完成後，執行darknet官方程式碼中到 detector valid 命令，生成對測試集到檢測結果，命令如下： ./darknet detector va

【YOLO初探】之 keras-yolov3訓練自己資料集

寫在前面 如何使用官方資料集參看上一篇文章《【YOLO初探】之 使用官方資料集做目標分類》 傳送門：https://blog.csdn.net/plSong_CSDN/article/details/85108256 這裡，筆者使用了260張訓練資料，完成了人臉中“眼睛”、“鼻子”、“嘴