程序员经验分享-hwhale

DINO-DETR在COCO缩减数据集上实验结果分析

2023-11-01

问题篇

博主在进行DINO-DETR模型实验时，使用缩减后的COCO数据集进行训练，发现其mAP值只能达到0.27作用，故而修改了下pycocotool的代码，令其输出每个类别的AP值，来看看是由于什么原因导致这个问题。
之所以这样是因为博主认为各类别的AP值是不均匀的，必定由学得好的与学得不好的。
参数设置：batch-size=1,lr=0.00005
使用22个epoch中训练结果最好的那个进行验证，结果如下：

【truck，car，bus】

分别为0.02，0.11，0.70，map为0.28
在这里插入图片描述

batch-size=2,lr=0.0001,epoch=24。结果如下：

在这里插入图片描述

随后使用官方给定的训练后的模型进行测试：

【'person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus', 'train', 'truck'】

对应car，bus，truck为：0.49，0.72，0.42，map值为0.54
在这里插入图片描述

上述实验结果首先证明了博主的猜想，即各个类别的AP值是不同的，也就说明其并非是对所有类别信息都有一个较好的结果。
其次尝试分析一下造成这个问题的原因。

首先在我们缩小的COCO数据集上，尽管car的标注较多，但目标都较小，而且存在很大程度的遮挡。且car在出现时背景复杂多变（有时是通过窗户看到，有时出现在马路上，有时旁边出现其他的物体），周边出现多种信息。
而bus尽管数量上并不占优，但其在出现时特征较为明显，显示较为完整，且出现时背景较为固定。（多为公路上出现）故而其学习效果较好。

博主选择了几个具有代表性的图像进行展示，用以证实博主上面的猜想。

在这里插入图片描述

输出训练过程中loss值变化情况：

在这里插入图片描述

使用DINO-DETR官方给定的权重模型来验证完整COCO数据集，完整结果如下：

IoU metric: bbox
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.491, per category = [ 0.607  0.368  0.493  0.505  0.750  0.727  0.723  0.428  0.321  0.313
  0.709  0.690  0.530  0.293  0.434  0.793  0.721  0.654  0.603  0.638
  0.717  0.781  0.752  0.730  0.192  0.468  0.216  0.421  0.528  0.729
  0.301  0.457  0.518  0.509  0.388  0.423  0.576  0.461  0.568  0.434
  0.442  0.495  0.464  0.280  0.264  0.471  0.310  0.270  0.431  0.392
  0.262  0.277  0.481  0.610  0.560  0.447  0.345  0.499  0.306  0.519
  0.336  0.664  0.637  0.676  0.651  0.401  0.579  0.416  0.638  0.398
  0.566  0.424  0.671  0.200  0.568  0.418  0.356  0.540  0.169  0.349]
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.667, per category = [ 0.854  0.625  0.734  0.775  0.898  0.854  0.879  0.590  0.578  0.579
  0.869  0.777  0.706  0.406  0.639  0.921  0.852  0.856  0.832  0.848
  0.898  0.910  0.925  0.899  0.339  0.683  0.363  0.644  0.740  0.909
  0.574  0.618  0.746  0.735  0.630  0.707  0.791  0.698  0.822  0.623
  0.654  0.657  0.637  0.442  0.377  0.609  0.466  0.378  0.566  0.512
  0.446  0.417  0.639  0.797  0.714  0.650  0.529  0.634  0.498  0.658
  0.469  0.794  0.813  0.806  0.831  0.597  0.737  0.622  0.767  0.552
  0.713  0.644  0.780  0.380  0.781  0.591  0.479  0.698  0.216  0.496]
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.536, per category = [ 0.660  0.353  0.531  0.537  0.822  0.799  0.812  0.481  0.303  0.312
  0.802  0.742  0.564  0.315  0.447  0.836  0.778  0.730  0.664  0.706
  0.790  0.833  0.841  0.791  0.199  0.510  0.219  0.462  0.585  0.860
  0.268  0.515  0.592  0.572  0.416  0.461  0.621  0.500  0.626  0.488
  0.465  0.547  0.500  0.291  0.291  0.525  0.333  0.298  0.476  0.426
  0.268  0.302  0.501  0.680  0.615  0.497  0.365  0.536  0.341  0.527
  0.351  0.729  0.715  0.741  0.775  0.480  0.635  0.446  0.738  0.412
  0.713  0.417  0.746  0.187  0.634  0.437  0.363  0.579  0.200  0.428]
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.327, per category = [ 0.409  0.223  0.388  0.338  0.704  0.394  0.449  0.238  0.246  0.267
  0.448  0.346  0.263  0.184  0.315  0.396  0.494  0.351  0.438  0.531
  0.516  0.681  0.612  0.457  0.206  0.302  0.185  0.324  0.383  0.666
  0.292  0.332  0.482  0.519  0.410  0.382  0.461  0.315  0.478  0.326
  0.279  0.333  0.301  0.204  0.244  0.263  0.159  0.095  0.121  0.227
  0.154  0.204  0.314  0.385  0.423  0.324  0.255  0.131  0.195  0.029
  0.055  0.069  0.332  0.194  0.546  0.349  0.284  0.288  0.250  0.113
  0.532  0.296  0.800  0.164  0.459  0.275  0.115  0.176  0.131  0.309]
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.524, per category = [ 0.675  0.427  0.637  0.456  0.735  0.578  0.348  0.455  0.370  0.512
  0.722  0.729  0.459  0.263  0.619  0.763  0.726  0.645  0.647  0.675
  0.661  0.781  0.722  0.770  0.189  0.514  0.288  0.554  0.510  0.817
  0.416  0.688  0.806  0.556  0.465  0.503  0.693  0.537  0.638  0.588
  0.589  0.620  0.629  0.456  0.354  0.517  0.333  0.441  0.276  0.433
  0.303  0.359  0.599  0.511  0.614  0.505  0.387  0.382  0.372  0.197
  0.199  0.573  0.608  0.573  0.752  0.561  0.583  0.545  0.614  0.325
  0.538  0.484  0.415  0.292  0.678  0.490  0.465  0.496  0.279  0.403]
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.630, per category = [ 0.796  0.650  0.734  0.659  0.784  0.864  0.767  0.572  0.507  0.613
  0.856  0.961  0.780  0.492  0.817  0.813  0.760  0.809  0.720  0.779
  0.789  0.810  0.849  0.778  0.274  0.621  0.155  0.701  0.742  0.894
  0.221  0.541  0.686  0.421  0.027  0.583  0.548  0.664  0.575  0.697
  0.789  0.729  0.594  0.423  0.440  0.639  0.543  0.438  0.576  0.601
  0.285  0.342  0.603  0.732  0.817  0.539  0.484  0.563  0.324  0.554
  0.470  0.734  0.748  0.807  0.802  0.634  0.684  0.692  0.783  0.490
  0.824  0.485  0.740  0.401  0.619  0.650  0.535  0.704  0.482  0.830]
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.379, per category = [ 0.205  0.289  0.192  0.299  0.583  0.562  0.668  0.396  0.158  0.146
  0.680  0.719  0.427  0.290  0.215  0.769  0.664  0.400  0.141  0.192
  0.294  0.589  0.279  0.386  0.253  0.283  0.252  0.348  0.231  0.615
  0.243  0.446  0.450  0.196  0.387  0.388  0.527  0.360  0.502  0.254
  0.208  0.314  0.441  0.276  0.292  0.352  0.148  0.159  0.382  0.174
  0.110  0.111  0.262  0.429  0.149  0.273  0.188  0.522  0.271  0.596
  0.425  0.604  0.555  0.614  0.609  0.310  0.515  0.443  0.704  0.444
  0.722  0.440  0.606  0.090  0.483  0.310  0.450  0.382  0.409  0.304]
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.651, per category = [ 0.613  0.509  0.588  0.606  0.830  0.811  0.832  0.705  0.454  0.459
  0.819  0.816  0.725  0.508  0.445  0.902  0.861  0.738  0.608  0.642
  0.765  0.894  0.784  0.800  0.506  0.602  0.503  0.540  0.597  0.813
  0.481  0.633  0.605  0.557  0.608  0.564  0.699  0.599  0.729  0.574
  0.568  0.649  0.680  0.522  0.561  0.701  0.434  0.493  0.751  0.531
  0.417  0.435  0.634  0.725  0.577  0.577  0.512  0.789  0.577  0.793
  0.652  0.813  0.790  0.800  0.756  0.619  0.779  0.650  0.827  0.665
  0.822  0.666  0.814  0.299  0.743  0.628  0.639  0.704  0.600  0.570]
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.727, per category = [ 0.735  0.599  0.682  0.704  0.877  0.837  0.865  0.791  0.604  0.537
  0.824  0.820  0.792  0.612  0.599  0.909  0.869  0.809  0.766  0.792
  0.871  0.904  0.865  0.857  0.590  0.718  0.587  0.597  0.721  0.823
  0.590  0.686  0.650  0.700  0.695  0.596  0.739  0.666  0.759  0.682
  0.643  0.734  0.718  0.592  0.624  0.767  0.659  0.640  0.792  0.694
  0.626  0.609  0.742  0.792  0.748  0.733  0.658  0.848  0.651  0.845
  0.718  0.857  0.803  0.832  0.759  0.682  0.783  0.672  0.827  0.706
  0.822  0.707  0.850  0.526  0.764  0.709  0.650  0.769  0.709  0.607]
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.563, per category = [ 0.575  0.433  0.587  0.553  0.777  0.550  0.675  0.662  0.490  0.491
  0.648  0.644  0.619  0.435  0.486  0.625  0.616  0.627  0.630  0.678
  0.753  0.840  0.717  0.677  0.522  0.532  0.483  0.475  0.561  0.752
  0.510  0.542  0.612  0.648  0.609  0.531  0.597  0.524  0.644  0.594
  0.516  0.611  0.574  0.502  0.517  0.592  0.490  0.460  0.372  0.520
  0.431  0.492  0.536  0.581  0.631  0.544  0.518  0.344  0.491  0.700
  0.305  0.386  0.533  0.565  0.660  0.619  0.394  0.534  0.525  0.340
  0.900  0.502  0.800  0.449  0.666  0.565  0.362  0.428  0.600  0.556]
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.767, per category = [ 0.800  0.687  0.812  0.684  0.879  0.768  0.656  0.795  0.663  0.710
  0.823  0.833  0.762  0.650  0.799  0.832  0.868  0.793  0.791  0.830
  0.821  0.846  0.838  0.831  0.686  0.750  0.728  0.757  0.747  0.920
  0.805  0.904  0.933  0.815  0.808  0.710  0.838  0.727  0.802  0.805
  0.764  0.836  0.829  0.761  0.834  0.790  0.682  0.744  0.754  0.737
  0.632  0.705  0.800  0.759  0.801  0.756  0.708  0.759  0.688  0.464
  0.598  0.768  0.786  0.734  0.845  0.853  0.782  0.809  0.824  0.635
  0.760  0.751  0.750  0.721  0.837  0.785  0.767  0.739  0.633  0.661]
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.883, per category = [ 0.900  0.852  0.919  0.825  0.919  0.933  0.892  0.899  0.867  0.868
  0.932  0.985  0.939  0.815  0.933  0.934  0.905  0.916  0.889  0.931
  0.920  0.925  0.945  0.924  0.650  0.905  0.790  0.905  0.882  0.938
  0.975  0.780  0.757  0.814  0.800  0.633  0.900  0.879  0.958  0.917
  0.929  0.908  0.932  0.838  0.857  0.922  0.881  0.887  0.910  0.894
  0.769  0.762  0.900  0.882  0.952  0.878  0.882  0.897  0.813  0.882
  0.885  0.917  0.890  0.933  0.922  0.893  0.907  0.939  0.900  0.795
  0.900  0.848  0.879  0.832  0.864  0.916  0.843  0.914  0.967  0.900]

解决篇

简直是大无语，博主在检查数据集时终于发现了问题：尽管在train是class损失已经降了下来，但在val时损失却总是居高不下，这不免让我产生了怀疑：难道是我的类别这块出现了问题，随后统计了下train与val中样本的数量：
很明显truck和car的train_num与val_num是不匹配的，这大概便是症结所在，再次查看数据集标注文件，果然是这里出现了问题，truck与car在val数据集中表反了。呜呜呜，搞了那么久，自己还在那乱想，原来是数据集出现了问题，啊啊啊啊。

在这里插入图片描述

随后重新制作了数据集，问题解决：

在这里插入图片描述

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

DETR系列

python

深度学习

人工智能

DINO-DETR在COCO缩减数据集上实验结果分析 的相关文章

随机推荐

  • #if defined 和 #if ! defined （C语言宏定义）

    转自 http blog chinaunix net uid 26435987 id 3077444 html 因为对于一个大的程序而言 我们可能会定义很多变量 不管是放在源文件还是头文件 那么我们在定义某个变量时 我们就必须返回检查原来是

  • visual studio code的＜br/＞标签不好使的解决方案

    刚开始是这样的 加了b标签也不好使 解决方案 File gt Preference gt Setting gt editor wordWrap 然后再运行就可以了

  • oracle查询执行过sql语句

    一 oracle中查找某段时间执行的操作记录 select sql text module first load time from v sqlarea where first load time gt 2019 02 02 02 02 0

  • 内存按字节编址，地址从A4000H到CBFFFH，共有多少个字节呢？

    内存按字节编址 地址从A4000H到CBFFFH 共有多少个字节呢 若用存储容量为32K 8bit的存储器芯片构成内存 至少需要多少片 按字节编址 gt 一个存储单元大小是1B A4000H和CBFFFH是16进制数 H只是标志 一个地址代

  • MySQL优化：从十几秒优化到三百毫秒

    今天这篇文章还是记录问题的解决过程的 昨天测试测试代码的时候 发现一个功能需要大概十几秒的时间才能执行完 我就去看自己的代码逻辑 完整看了代码之后 凭感觉导致时间长的原因有两部分 一个是mysql的书写问题 另一个可能是循环查询数据库的问题

  • C++ protobuf反射特征工程正确姿势

    文章目录 1 1 Message 1 2 Descriptor 1 2 FieldDescriptor 1 2 Reflection 2 1 特征工程如何使用 3 1 初始化获取FiledDescriptor信息 3 2 实时获取对应的特征

  • C++数据结构之静态链表

    1 静态链表的作用 在有些早期的高级语言中 并没有指针概念 所以带有指针域的链表都无法在这些高级语言中使用 于是 出现了用一维数组代替指针来描述单链表 这种一维数组描述的链表就被称为静态链表 用以为数组的方式来表示链表 因此拥有了数组的特性

  • System.ComponentModel.Win32Exception (0x80004005)：拒绝访问。——解决办法

    一 问题如下 无法执行程序 所执行的命令为 C Windows Microsoft NET Framework64 v4 0 30319 csc exe noconfig fullpaths C Windows TEMP 二 背景 部署在客

  • Spark on YARN两种运行模式的演示

    前言 前面搭建好了Spark on YARN环境 接下来自然要使用这个集群 发挥它的计算性能 最常规的使用方式就是提交程序 但由于Driver有两种运行方式 导致了Spark on YARN也有两种运行模式 Cluster 集群 和 Cli

  • 图论基础之 图中找环

    对于有向图而言 可以使用拓扑排序的方式找出图中的环 include

  • openwrt生成固件firmware过程

    openwrt生成固件firmware过程 https blog csdn net viewsky11 article details 53097672 由于想看看生成各个文件系统格式文件的过程 所以在Target Images中把ext4

  • [网络安全自学篇] 一.入门笔记之看雪Web安全学习及异或解密示例

    最近开始学习网络安全相关知识 接触了好多新术语 感觉自己要学习的东西太多 真是学无止境 也发现了好几个默默无闻写着博客 做着开源的大神 准备好好学习下新知识 并分享些博客与博友们一起进步 加油 非常基础的文章 大神请飘过 谢谢各位看官 投票

  • 计算机视觉基础（七）—— 一文解析Harris角点检测

    在图像处理领域中 特征点又被称为兴趣点或者角点 它通常具有旋转不变性和光照不变性和视角不变性等优点 是图像的重要特征之一 常被应用到目标匹配 目标跟踪 三维重建等应用中 点特征主要指图像中的明显点 如突出的角点 边缘端点 极值点等等 用于点

  • C#入门代码集25个

    一 从控制台读取东西代码片断 using System class TestReadConsole public static void Main Console Write Enter your name string strName C

  • 小程序的拉流组件live-player的使用

    前言 我们在小程序中实现音视频 直播 录播 的播放时候 会使用到微信官方提供的两个组件 推流组件和拉流组件 这里来分享下他的拉流组件的使用和具体需要注意的点 效果图 1 拉流状态code日志 2 代码使用截图 官方文档 live playe

  • 帮我写爬取考研资料的代码

    我可以提供一些参考代码帮助您爬取考研资料 加载必要的库 import requests from bs4 import BeautifulSoup 设置网址 url http example com exam data 获取网页源代码 re

  • vue动态添加路由,element-admin后台路由

    很多后台项目的菜单都是可配置的 所以需要从后台取到菜单数据并加到路由映射用 1 第一步 将后台数据转换成vue router 需要的数据格式 以下是路由格式 declare type RouteConfig path string 路径 c

  • c/c++编程日记：用C语言实现消消乐游戏（附源码）

    描述 给定一个矩阵 判断移动哪一个格子 可以实现消除 定义连续三个即可消除 分析 先写一个函数 判断包含 i j 的格子是否可能实现消除 然后就是向右向下交换 然后调用上面写好的函数判断 被交换的两个格子是否实现消除 重点 1 只需要向右向

  • 关于IDEA中Spring配置文件中的提示：File is included in 4 contexts

    关于IDEA中Spring配置文件中的提示 File is included in 4 contexts 今天在学习SpringMVC框架的时候 由于web xml中需要绑定Spring的配置文件 在配好Spring的配置文件并运行Tomc

  • DINO-DETR在COCO缩减数据集上实验结果分析

    问题篇 博主在进行DINO DETR模型实验时 使用缩减后的COCO数据集进行训练 发现其mAP值只能达到0 27作用 故而修改了下pycocotool的代码 令其输出每个类别的AP值 来看看是由于什么原因导致这个问题 之所以这样是因为博主

热门标签