我有对象检测api的问题，从训练开始我的损失非常低：
信息：张量流：全局步骤3：损失= 1.6555（1.949秒/步）
信息：张量流：全局步骤4：损失= 1.1560（2.021秒/步）
信息：张量流：全局步骤5：损失= 1.7363（2.201秒/步）
几千步之后的mAP大约是0.25 ... tensorflow是否在其他地方保存了一些额外的“检查点”而不是训练文件夹？似乎该模型使用来自以前训练过的网络的权重，即使配置中的路径正确到新的检查点，一切都在不同的文件夹中:(
我正在关注如何在对象检测api中训练模型的博客教程[https://medium.com/towards-data-science/how-to-train-your-own-object-detector-with-tensorflows-object-detector-api-bec72ecfe1d9] . 我正在使用我自己的数据集和一个类（只有几个图像来测试它的工作）和自己的配置（更快的rcnn resnet101） . 它做得很好，模型能够检测新图像上的类 . 然后我尝试用4个 class 训练，多一点图像 - 工作得很好 .
但是现在我想训练大量的400张图像，首先我尝试了4个类并且出现了低损失的问题，所以我尝试了一个类（我甚至将我的数据集再次标记为只有一个类）再次相同 . 现在它甚至不能使用我刚从乞讨训练的少量图像上的先前配置 .
有人可以帮忙吗？从现在起，即使之前工作的5个图像配置也不起作用，我不认为它与坏数据集或其他东西相关.. :(
1 回答
虽然这不是答案，但我可以通过说你并不孤单来安慰你 . 我正在使用相同的模型，并在开始时经历低损失 . 我的初始训练完全失败，所以我决定正确地整理我的数据集并使用更高精度的预设（之前我使用的移动网络）重新训练模型，因此我遇到了低初始损失问题 .
到目前为止，我只是滚动它，让你知道它是否有意图，也许它应该是那样的（非常怀疑） .
编辑 - 正如有人提到我没有发布问题的答案所以这是我对此事的更新 . 我训练了很多具有极低起跑损失的模型，随着训练的进行，平均损失达到了0.002 . 我发现（至少在我的情况下）你训练这种模型的时间越长，它产生的结果就越差 . 我最好的表演者以2.5k步骤被冻结，而那些持续10k的人非常容易出现误报 . 我想如果你遇到一个非常低的起跑损失，你不应该让它运行很长时间 . 无法解释这是如何工作的，因为我对机器学习很陌生，但这来自我个人的经验 . 希望这有助于至少一点点