与ArcGIS.LEARN的深度学习:太低“普通_precision_score”

163
4
一个星期前
LanNguyen1
通过
新的贡献者三世

大家好,

我试着用arcgis训练SSD模型。学习从航拍照片中检测树木。经过少量的调整,模型训练lr为0.0005和8 epoch。然而,看看“average_precision_score”,它只有0.06。有没有人越过这个问题,如何改进这个参数?可接受的分数是多少?我搜索了与“average_precision_score”相关的文档,但没有找到太多。

以下是我的EMD的内容。

谢谢你,Lan


“框架”:“ArcGIS.Learn.models._Inferencing”,
:“InferenceFunction ArcGISObjectDetector.py”,
:“ModelConfiguration _DynamicSSD”,
“modeltype”:“ObjectDetection”,
“提取带”:[
0,
1,
2
],
“骨干”:“resnet34”,
“网格”:[
4
],
“缩放”:(
1.0
],
“比例”:(

1.0,
1.0

],
“ssdversion”:2,
“类”:(

“价值”:1、
“名称”:“树”,
“颜色”:[
102年,
2,
7


],
:“ModelFile treecount_chip64_lr0005.pth”,
“imageheight”:64,
“ImageWidth”:64年,
:“ImageSpaceUsed MAP_SPACE”,
“学会”:“5.0000E-04”,
:“ModelName SingleShotDetector”,
“后端”:“pytorch”,
" ModelParameters ": {
“骨干”:“resnet34”,
“后端”:“pytorch”
},
" average_precision_score ": {
“树”:0.06539047501100659
},
“resize_to”:空,
“IsMultispectral”:假的

0荣誉
4回复
Tim_McGinnes
通过
偶尔的贡献者三世

嗨,局域网,

8 .对模型的培养不是很长时间。我建议的第一件事是延长模型训练时间,看看精确度是否提高。如果您是在笔记本上进行训练,那么show_results函数是有用的,因为您可以看到在训练时检测到哪些对象。

尝试的下一个最简单的事情是使用FasterRCNN或YOLOV3等不同的对象检测模型 - 您可以使用现有的培训数据,看看它们是否提供更好的结果。

如果你仍然没有得到好的结果,你可能需要获取更多的数据来训练或尝试其他方法来提高准确性。

0荣誉
LanNguyen1
通过
新的贡献者三世

嗨蒂姆,

对于SSD,我不得不使用芯片64x64,LR0006,9时代,得到0.26的好评。我用相同的LR和数量恢复模型。然而,第二次迭代(9 + 9 ep)实际产生较低的分数(0.17),下一次迭代(9 + 9 + 9)是最糟糕的。我一直看到vight_loss,想知道为什么输出越来越糟。我附上了我的最佳输出。

我还没有尝试过Yolov3,也许今天。但我昨天尝试过64x64芯片的Fasterrcnn,推荐LR为00005。但是,我无法预测,ACC得分为0.有趣。

我试着输出256和128的芯片。然而,ArcPro生成了少量芯片,甚至不足以运行数据准备。可能是我的采样策略有问题,或者输入图像需要预处理以提高对象(树)之间的清晰度。

谢谢,

BestSSD.png

0荣誉
Tim_McGinnes
通过
偶尔的贡献者三世

你标记了多少棵树?64/128/256芯片尺寸输出的图像芯片有多少?您可能需要增加您的训练数据集的大小。

它看起来有其他树木在图像芯片中没有标记。当模型试图验证其结果时,这成为问题。您可以在预测图像中看到它看起来它已正确预测一些树木。但是在你的实际图像中,没有相应的框,所以它可能认为它们是错误的(因此减少了您的预测得分)。它实际上可能会在训练时成功地检测到越来越多的树木,但认为它们是所有错误。我认为在培训数据中标记每个对象是良好的做法。

这种意象不是很好,不是吗。我认为源图像质量是深度学习最重要的成功因素——我认为我很难准确地找到这些图像中的所有树木。一些图像增强可能确实有帮助。

0荣誉
LanNguyen1
通过
新的贡献者三世

感谢蒂姆!

你的回答太尖锐了!现在它遮蔽了一些灯光。

我有一个50cm分辨率的图像子集,尺寸5818x4969(附加图像),我试图获得908棵树的样本,但他们是相当集群。如果“在训练数据中给每个对象标上标签是一种很好的做法“我可能不得不减少栅格子集的尺寸,标记更多的树。对5818x4969中的所有树木进行标签是非常耗时的:)。我会先试试这个选项!

培训数据导出:64x64带步入32x32:370 imgs,128x128势长64x64:310imgs,256x256升程128x128:129imgs。

图像质量:子集在1:1000的缩放比例下看起来不错(附件)。然而,在50cm分辨率下,我们并不期望太多。

图像增强:我知道图像预处理/增强对分类/DL很有用。在软件/方法论方面,您有什么建议吗?

非常感谢!sample_and_extent.JPGvisual_1000zoom.JPG

0荣誉