这是一个关于Tensorflow对象检测API的更普遍的问题。
我正在使用这个API，更具体地说，我对模型进行微调以适应我的数据集。根据API的描述，我使用model_main.py函数从给定的检查点/冻结图重新训练模型。
然而，API内部的微调是如何工作的对我来说并不清楚。最后一层的重新初始化是自动发生的，还是我需要实现一些东西？在README文件中，我没有找到关于这个主题的任何提示。也许有人能帮助我。
回答：
无论是从头开始训练还是从检查点开始训练，model_main.py都是主程序，除了这个程序外，你还需要一个正确的管道配置文件。
因此，对于微调，可以将其分为两个步骤：恢复权重和更新权重。这两个步骤都可以根据训练的proto文件进行自定义配置，该proto文件对应于管道配置文件中的train_config。
train_config: { batch_size: 24 optimizer { } fine_tune_checkpoint: "PATH_TO_BE_CONFIGURED/model.ckpt" fine_tune_checkpoint_type: "detection" # 注意：下面的行将训练过程限制在200K步，我们通过经验发现这足以训练宠物数据集。这 # 有效地绕过了学习率计划（学习率永远不会衰减）。删除下面的行以无限期训练。 num_steps: 200000 data_augmentation_options {} }步骤1，恢复权重。
在这一步中，你可以通过设置fine_tune_checkpoint_type来配置要恢复的变量，可选项为detection和classification。将它设置为detection，你基本上可以从检查点恢复几乎所有变量，而将它设置为classification，则只恢复feature_extractor范围内的变量（所有骨干网络中的层，如VGG、Resnet、MobileNet，它们被称为特征提取器）。
之前这是由from_detection_checkpoint和load_all_detection_checkpoint_vars控制的，但这两个字段已被废弃。
还要注意，在你配置了fine_tune_checkpoint_type之后，实际的恢复操作会检查图中的变量是否存在于检查点中，如果不存在，该变量将使用常规初始化操作进行初始化。
举个例子，假设你想微调一个ssd_mobilenet_v1_custom_data模型，并且你下载了检查点ssd_mobilenet_v1_coco，当你设置fine_tune_checkpoint_type: detection时，图中所有也在检查点文件中的变量都将被恢复，框预测器（最后一层）的权重也将被恢复。但如果你设置fine_tune_checkpoint_type: classification，那么只会恢复mobilenet层的权重。但如果你使用不同的模型检查点，比如faster_rcnn_resnet_xxx，那么因为图中的变量在检查点中不可用，你会看到输出日志显示Variable XXX is not available in checkpoint警告，它们不会被恢复。
步骤2，更新权重
现在你已经恢复了所有权重，并且你想继续在自己的数据集上进行训练（微调），通常这就足够了。
但如果你想尝试一些新东西，并且你想在训练期间冻结一些层，那么你可以通过设置freeze_variables来自定义训练。假设你想冻结mobilenet的所有权重，只更新框预测器的权重，你可以设置freeze_variables: [feature_extractor]，这样所有名称中包含feature_extractor的变量都不会被更新。有关详细信息，请参见我写的另一个回答。
因此，要在你的自定义数据集上微调模型，你应该准备一个自定义配置文件。你可以从样本配置文件开始，然后修改一些字段以满足你的需求。
