Tensorflow 对象检测 : Continue training

Question

假设我训练了一个像 ResNet 这样的预训练网络，并在 pipeline.config 文件 中为 fine_tune_checkpoint_type 属性将其设置为检测。据我了解，这意味着我们采用模型的预训练权重，除了分类和框预测头。此外，这意味着我们可以创建自己的标签类型，然后将其作为我们要创建/训练的模型的分类和框预测头。

现在，假设我对这个网络进行了 25000 步的训练，并想在以后继续训练而不让模型遗忘任何东西。我是否应该将 pipeline.config 中的 fine_tune_checkpoint_type 更改为 full 以继续训练(当然还要加载正确的检查点文件)或我是否仍应将其设置为检测？

编辑:

这是基于此处找到的信息 https://github.com/tensorflow/models/blob/master/research/object_detection/protos/train.proto :

  //   1. "classification": Restores only the classification backbone part of
  //        the feature extractor. This option is typically used when you want
  //        to train a detection model starting from a pre-trained image
  //        classification model, e.g. a ResNet model pre-trained on ImageNet.
  //   2. "detection": Restores the entire feature extractor. The only parts
  //        of the full detection model that are not restored are the box and
  //        class prediction heads. This option is typically used when you want
  //        to use a pre-trained detection model and train on a new dataset or
  //        task which requires different box and class prediction heads.
  //   3. "full": Restores the entire detection model, including the
  //        feature extractor, its classification backbone, and the prediction
  //        heads. This option should only be used when the pre-training and
  //        fine-tuning tasks are the same. Otherwise, the model's parameters
  //        may have incompatible shapes, which will cause errors when
  //        attempting to restore the checkpoint.

因此，分类 仅提供特征提取器的分类 Backbone 部分。这意味着该模型将在网络的许多部分从头开始。

detection 恢复了整个特征提取器，但“最终结果”将被遗忘，这意味着我们可以添加自己的类并从头开始学习这些分类。

full 恢复所有内容，甚至是类和框预测权重。但是，只要我们不添加或删除任何类/标签，就可以了。

这是正确的吗？

Answer 1

是的，您理解正确。
在 piepline.config 中设置 fine_tune_checkpoint_type: full 以保留模型在最后一个检查点之前学到的所有内容。