Fork me on GitHub

AI场景分类竞赛

全球AI挑战赛中场景分类的比赛源码,比赛已经告一段落,这里对总结一下比赛期间遇到的问题,踩的坑等做个总结。和WinterFu一起参加了这次比赛,一路摸爬滚打到比赛结束,没少折腾。

快速接入

  • 配置数据集路径

    打开config.py,找到下面的位置,根据自己的电脑系统在对应的位置配置上数据集路径

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    # image path
    if is_windows():
    PATH_TRAIN_BASE = 'G:/Dataset/SceneClassify/ai_challenger_scene_train_20170904'
    PATH_VAL_BASE = 'G:/Dataset/SceneClassify/ai_challenger_scene_validation_20170908'
    PATH_TEST_B = 'G:/Dataset/SceneClassify/ai_challenger_scene_test_b_20170922/scene_test_b_images_20170922'
    elif is_mac():
    PATH_TRAIN_BASE = '/Users/zijiao/Desktop/ai_challenger_scene_train_20170904'
    PATH_VAL_BASE = '/Users/zijiao/Desktop/ai_challenger_scene_validation_20170908'
    PATH_TEST_B = ''
    elif is_linux():
    # 皮皮酱
    PATH_TRAIN_BASE = ''
    PATH_VAL_BASE = ''
    PATH_TEST_B = ''
    else:
    raise Exception('No images configured on %s' % os_name)
  • 分类数据

    运行split_by_class.py 脚本,分别对train数据集合val数据集进行按照子文件夹分类

  • 开始训练

    找任一个classifier 开头的(classifier_base 除外)脚本进行运行,这里包含VGG16/19XceptionInception-V3Inception-Resnet-V2等经典模型

要点概述

  • 支持多个单模型进行集成,可选多种集成方式
  • 支持多种集成方式间的任意组合和自动择优
  • 支持间断训练时权重文件的择优选择
  • 支持VGG16VGG19Resnet50Inception-V3XceptionInception-Resnet-V3模型
  • imgaug 图片数据增强库替换Keras自带的图片预处理
  • 支持多进程进行图片预处理

血训

数据增强很重要!!!

Keras自带的图片增强远远不够的,这里选择了imgaug这个图片数据增强库,直接上图,这种效果是目前的Keras望尘莫及的,尽可能最大限度利用当前有限的数据集。提高1~3个百分点

尽可能高效使用CPU!!!

训练任务交给GPU去做,新添加的imgaug图片处理方式之后,一个Epoch在1050Ti上耗时90mins+,排查发现大部分时间都在进行图片数据增强处理,于是将该部分的处理替换为多进程方式。时间从90mins降到30mins左右

标准化很重要!!!

先计算出整体训练集的mean和std,然后在训练阶段的输入数据以mean和std进行高斯化处理(参mean_var_fetcher.py提高0.5~1.0个百分点

Fine-tune别绑太紧!!!

这点尤为重要!Fine-tune时松太开,可能导致训练耗时,也可能导致机器带不动;绑太紧可能导致Fixed的权重参数扼制了模型的学习能力。建议是在机器能扛得住的基础下,尽可能松绑多一些。提高2~5个百分点

模型选择很重要!!!

糟糕的模型训练几天几夜,可能赶不上优势模型训练几个epoch。VGG16=>Xception提高5~8个百分点

Loss降不下去时尝试调低LR!!!

降不下去就调小,调下的幅度一般是5倍、10倍左右。提高1~3个百分点

TensorbBoard监视训练状态!!!

尽可能使用Tensorflow提供的Tensorboard可视化工具,方便从宏观把控训练过程。

适度过拟合是良性的!!!

训练过程中一直没有过拟合,要从两方面考虑:

  • 模型太简单,拟合能力不足,这时要考虑增强网络复杂度
  • 数据增强程度太大,学不到某些特征

模型集成!!!

单模型没有什么提升空间时,要尝试将多个单模型进行集成。集成的方式可以选择投票法、均值法、按照模型Acc加权法等等。提高0.5~1.5个百分点

预测数据增强!!!

为了确保预测结果的准确性,可以将待预测结果进行水平翻转(或随机裁取patch等)处理,将这多张孪生图片进行预测,最终结果取多个结果的均值。提高0.25~1.0个百分点

找个小伙伴一起搞!!!

想法x2,时间/2,还能互相讨论学习!提高0~50个百分点


------------- The end -------------