我正在重新培训一种更快的rcnn启动coco模型，用于检测货架上的产品品牌 .
在一段时间内总损失低于0.1时，我停止了模型大约400k步 . 召回率约为65％，精确度为40％，置信度截止阈值为95％ .
学习率从0.00001开始，配置为在200k步后减少到0.000005 .
数据集大小为15个类，每个类至少有100个带注释的框 . 图像总数为300 .
如何提高模型的召回率？
我应该更改为更快的rcnn ras（具有更高的mAP但我不认为精度与我的用例中的召回一样重要）？
另一个问题是：通常什么是物体检测模型的召回？达到90％以上是非常具有挑战性的吗？
提前谢谢了！
2 回答
您可以尝试使用图像增强来扩展训练数据集 . 300张图片并不多 . 试着看https://github.com/aleju/imgaug .
当您询问更快的RCNN模型时，您可以跟踪两个不同的指标 .
精确和召回区域提案网络（RPN） .
精度和召回RCNN最终输出 .
上述两个指标可以让我们更好地了解模型的执行情况 .
案例1：当RCNN输出的RPN召回率较高且较低时，很明显，您没有足够的正面标签供分类网络学习 .
情况2：当RCNN输出的RPN调用较低且较高时，您可能没有足够的训练数据量和较少的类数 .
案例3：当两个召回都很低时，然后尝试更大的数据集，因为您的模型已经收敛 .
尝试学习率总是有帮助的 .
简单黑客：您可以使用多个宽高比（接近原始宽高比），这样您就可以获得更多的培训标签（不确定它对您的情况有多好） .