当 mAP 不稳定时，我应该什么时候停止对象检测模型训练？
When should I stop the object detection model training while mAP are not stable?
我正在使用来自 Berkeley Deep Drive 数据集的 900 张图像重新训练 SSD MobileNet，并对来自该数据集的 100 张图像进行评估。
问题是经过大约 24 小时的训练后，totalloss 似乎无法低于 2.0：
而且对应的mAP分数很不稳定：
事实上，我实际上已经尝试训练了大约48小时，TotoalLoss就是不能低于2.0，在2.5~3.0之间。在那段时间里，mAP 甚至更低..
所以这是我的问题，考虑到我的情况（我真的不需要任何 "high-precision" 模型，如您所见，我选择了 900 张图像进行训练，并想简单地做一个 PoC 模型 training/predication 就是这样），我应该什么时候停止训练并获得一个合理执行的模型？
确实为了检测你需要微调网络，因为你使用的是SSD，所以已经有一些来源：
- https://gluon-cv.mxnet.io/build/examples_detection/finetune_detection.html（这个专门用于SSD型号，使用mxnet但你可以用TF一样）
- 你可以看一个非常好的微调介绍here
- 这个 repo 有一个很好的微调选项，只要你写你的数据加载器，检查一下 here
一般来说，你的错误可以归因于很多因素，你使用的学习率，图像本身的特征（它们是否标准化？）如果你使用的 ssd 网络是用标准化数据训练的，而你没有标准化再训练然后你会在学习时卡住。他们使用的学习率是多少？
从模型动物园我可以看到对于 SSD 有在 COCO 上训练的模型
以及在 Open Images 上训练的模型：
例如，如果您使用 ssd_inception_v2_coco，输入层中有一个 truncated_normal_initializer，因此请考虑到这一点，还要确保输入大小与您提供的大小相同到模型。
如果您还包括许多扩充并考虑我提到的其他内容，即使数据很少，您也可以获得非常好的检测，关于您的代码的更多详细信息将有助于找出问题所在。
我正在使用来自 Berkeley Deep Drive 数据集的 900 张图像重新训练 SSD MobileNet，并对来自该数据集的 100 张图像进行评估。
问题是经过大约 24 小时的训练后，totalloss 似乎无法低于 2.0：
而且对应的mAP分数很不稳定：
事实上，我实际上已经尝试训练了大约48小时，TotoalLoss就是不能低于2.0，在2.5~3.0之间。在那段时间里，mAP 甚至更低..
所以这是我的问题，考虑到我的情况（我真的不需要任何 "high-precision" 模型，如您所见，我选择了 900 张图像进行训练，并想简单地做一个 PoC 模型 training/predication 就是这样），我应该什么时候停止训练并获得一个合理执行的模型？
确实为了检测你需要微调网络，因为你使用的是SSD，所以已经有一些来源：
- https://gluon-cv.mxnet.io/build/examples_detection/finetune_detection.html（这个专门用于SSD型号，使用mxnet但你可以用TF一样）
- 你可以看一个非常好的微调介绍here
- 这个 repo 有一个很好的微调选项，只要你写你的数据加载器，检查一下 here
一般来说，你的错误可以归因于很多因素，你使用的学习率，图像本身的特征（它们是否标准化？）如果你使用的 ssd 网络是用标准化数据训练的，而你没有标准化再训练然后你会在学习时卡住。他们使用的学习率是多少？
从模型动物园我可以看到对于 SSD 有在 COCO 上训练的模型
以及在 Open Images 上训练的模型：
例如，如果您使用 ssd_inception_v2_coco，输入层中有一个 truncated_normal_initializer，因此请考虑到这一点，还要确保输入大小与您提供的大小相同到模型。
如果您还包括许多扩充并考虑我提到的其他内容，即使数据很少，您也可以获得非常好的检测，关于您的代码的更多详细信息将有助于找出问题所在。