。
我正在训练一个模型来检测夜空图片中的流星，我有一个相当小的数据集，其中大约85张图像，每个图像都用一个边界框注释。我正在使用以SSD_MOBILENET_V1_COCO_11_11_06_2017检查点和TensorFlow 1.4开始的转移学习技术。在培训期间，我正在调整图像的大小为600x600pixels。我正在使用管道配置中的数据增强来水平随机翻转图像，并旋转90度。5000步后，该模型收敛到约0.3的损失，并将检测流星，但似乎在图像中的位置至关重要。我是否必须通过举例说明每个可能的位置来训练模型？我已经连接了一个检测运行的样本，在整个图像上我给流星铺平了一个流星，并收到了各种级别的检测(过滤至50％(。我该如何改进？在图像示例中检测到的流星
这很可能是您的数据，我认为您正在通过改善数据集的异质性来做出谨慎的举动，，但也可能是您的选择型号。
值得注意的是，相对于Tensorflow对象检测API模型动物园中的其他模型，SSD_MOBILENET_V1_COCO具有最低的可可映射。您不是试图检测可可对象，但是地图编号是通用模型准确性的合理的aproximation。
在最高水平上，模型的选择在很大程度上是速度/准确性之间的权衡。您选择的型号SSD_Mobilenet_v1_coco，偏爱速度而不是精度。因此，我会预定您在花费明显的时间预处理图像之前，尝试更快的RCNN型号(例如，更快的_rcnn_inpection_v2_coco(。