質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
87.20%
Keras

Kerasは、TheanoやTensorFlow/CNTK対応のラッパーライブラリです。DeepLearningの数学的部分を短いコードでネットワークとして表現することが可能。DeepLearningの最新手法を迅速に試すことができます。

YOLO

YOLOとは、画像検出および認識用ニューラルネットワークです。CベースのDarknetというフレームワークを用いて、画像や動画からオブジェクトを検出。リアルタイムでそれが何になるのかを認識し、分類することができます。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

解決済

物体検出 yolo3 学習実行時のエラー

tukatuka
tukatuka

総合スコア12

Keras

Kerasは、TheanoやTensorFlow/CNTK対応のラッパーライブラリです。DeepLearningの数学的部分を短いコードでネットワークとして表現することが可能。DeepLearningの最新手法を迅速に試すことができます。

YOLO

YOLOとは、画像検出および認識用ニューラルネットワークです。CベースのDarknetというフレームワークを用いて、画像や動画からオブジェクトを検出。リアルタイムでそれが何になるのかを認識し、分類することができます。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

1回答

0評価

0クリップ

649閲覧

投稿2019/12/16 07:16

物体検出、プログラミング初心者です。
自前の画像を使用して物体検出を行おうと考えています。
一連の流れをつかむためにまずは画像数90枚で行っております。
悩んでいる点としては、
・学習が途中で停止してしまう(100epoch中50epochで学習停止する)
・バッチサイズが途中で8→32に変わってしまう
です。これにより学習が完了せず解決策を教えていただきたいです。
以下に学習を実行した際の画像を載せます。

//////////////////////////////////////////////////////////////////////////
実行画面
////////////////////////////////////////////////////////////////////////////////
Load weights model_data/yolo_weights.h5.
Freeze the first 249 layers of total 252 layers.
Train on 49 samples, val on 5 samples, with batch size 8.
Epoch 1/50
6/6 [==============================] - 97s 16s/step - loss: 3862.8236 - val_loss: 2525.1660
Epoch 2/50
6/6 [==============================] - 94s 16s/step - loss: 2004.1879 - val_loss: 1296.2518
Epoch 3/50
6/6 [==============================] - 94s 16s/step - loss: 1103.3874 - val_loss: 758.0297
Epoch 4/50
6/6 [==============================] - 95s 16s/step - loss: 651.3497 - val_loss: 505.9644
Epoch 5/50
6/6 [==============================] - 95s 16s/step - loss: 440.2337 - val_loss: 366.5551
Epoch 6/50
6/6 [==============================] - 94s 16s/step - loss: 327.3511 - val_loss: 272.4472
Epoch 7/50
6/6 [==============================] - 95s 16s/step - loss: 259.5925 - val_loss: 253.0002
Epoch 8/50
6/6 [==============================] - 94s 16s/step - loss: 227.3389 - val_loss: 210.8321
Epoch 9/50
6/6 [==============================] - 95s 16s/step - loss: 207.7706 - val_loss: 183.8971
Epoch 10/50
6/6 [==============================] - 94s 16s/step - loss: 184.3050 - val_loss: 187.1789
Epoch 11/50
6/6 [==============================] - 94s 16s/step - loss: 166.7220 - val_loss: 163.4344
Epoch 12/50
6/6 [==============================] - 94s 16s/step - loss: 171.3143 - val_loss: 156.6712
Epoch 13/50
6/6 [==============================] - 94s 16s/step - loss: 155.6616 - val_loss: 151.1485
Epoch 14/50
6/6 [==============================] - 94s 16s/step - loss: 147.6659 - val_loss: 148.0244
Epoch 15/50
6/6 [==============================] - 93s 16s/step - loss: 147.8277 - val_loss: 147.0369
Epoch 16/50
6/6 [==============================] - 94s 16s/step - loss: 138.5200 - val_loss: 140.4684
Epoch 17/50
6/6 [==============================] - 94s 16s/step - loss: 138.0531 - val_loss: 139.6148
Epoch 18/50
6/6 [==============================] - 94s 16s/step - loss: 122.5309 - val_loss: 132.9278
Epoch 19/50
6/6 [==============================] - 95s 16s/step - loss: 128.7083 - val_loss: 124.5317
Epoch 20/50
6/6 [==============================] - 94s 16s/step - loss: 126.3449 - val_loss: 131.9259
Epoch 21/50
6/6 [==============================] - 94s 16s/step - loss: 120.1624 - val_loss: 126.4648
Epoch 22/50
6/6 [==============================] - 94s 16s/step - loss: 114.2325 - val_loss: 120.2197
Epoch 23/50
6/6 [==============================] - 94s 16s/step - loss: 121.6016 - val_loss: 122.1450
Epoch 24/50
6/6 [==============================] - 94s 16s/step - loss: 112.7781 - val_loss: 121.4166
Epoch 25/50
6/6 [==============================] - 94s 16s/step - loss: 110.1831 - val_loss: 109.2688
Epoch 26/50
6/6 [==============================] - 94s 16s/step - loss: 109.7402 - val_loss: 113.1680
Epoch 27/50
6/6 [==============================] - 93s 16s/step - loss: 100.4482 - val_loss: 111.1782
Epoch 28/50
6/6 [==============================] - 94s 16s/step - loss: 110.2274 - val_loss: 95.1962
Epoch 29/50
6/6 [==============================] - 93s 16s/step - loss: 101.5781 - val_loss: 109.4423
Epoch 30/50
6/6 [==============================] - 93s 16s/step - loss: 105.5079 - val_loss: 97.6294
Epoch 31/50
6/6 [==============================] - 93s 16s/step - loss: 102.4861 - val_loss: 100.0084
Epoch 32/50
6/6 [==============================] - 93s 15s/step - loss: 100.4590 - val_loss: 104.3083
Epoch 33/50
6/6 [==============================] - 93s 15s/step - loss: 100.3361 - val_loss: 105.8973
Epoch 34/50
6/6 [==============================] - 92s 15s/step - loss: 102.2306 - val_loss: 103.4538
Epoch 35/50
6/6 [==============================] - 92s 15s/step - loss: 95.9612 - val_loss: 104.5623
Epoch 36/50
6/6 [==============================] - 93s 15s/step - loss: 97.2867 - val_loss: 102.8819
Epoch 37/50
6/6 [==============================] - 92s 15s/step - loss: 99.8794 - val_loss: 100.2253
Epoch 38/50
6/6 [==============================] - 93s 15s/step - loss: 91.6456 - val_loss: 83.9571
Epoch 39/50
6/6 [==============================] - 92s 15s/step - loss: 96.0486 - val_loss: 95.0769
Epoch 40/50
6/6 [==============================] - 92s 15s/step - loss: 93.4906 - val_loss: 105.6490
Epoch 41/50
6/6 [==============================] - 92s 15s/step - loss: 89.3412 - val_loss: 93.1189
Epoch 42/50
6/6 [==============================] - 92s 15s/step - loss: 89.4554 - val_loss: 103.3351
Epoch 43/50
6/6 [==============================] - 92s 15s/step - loss: 93.0239 - val_loss: 89.3026
Epoch 44/50
6/6 [==============================] - 93s 15s/step - loss: 84.5503 - val_loss: 99.7245
Epoch 45/50
6/6 [==============================] - 93s 15s/step - loss: 94.8018 - val_loss: 98.3804
Epoch 46/50
6/6 [==============================] - 92s 15s/step - loss: 88.8270 - val_loss: 89.7440
Epoch 47/50
6/6 [==============================] - 92s 15s/step - loss: 88.7191 - val_loss: 105.0226
Epoch 48/50
6/6 [==============================] - 93s 15s/step - loss: 86.8692 - val_loss: 90.4322
Epoch 49/50
6/6 [==============================] - 95s 16s/step - loss: 88.1812 - val_loss: 99.0259
Epoch 50/50
6/6 [==============================] - 95s 16s/step - loss: 88.8118 - val_loss: 98.1384
Unfreeze all of the layers.
Train on 49 samples, val on 5 samples, with batch size 32.
Epoch 51/100
^C

良い質問の評価を上げる

以下のような質問は評価を上げましょう

  • 質問内容が明確
  • 自分も答えを知りたい
  • 質問者以外のユーザにも役立つ

評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

気になる質問をクリップする

クリップした質問は、後からいつでもマイページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

  • プログラミングに関係のない質問
  • やってほしいことだけを記載した丸投げの質問
  • 問題・課題が含まれていない質問
  • 意図的に内容が抹消された質問
  • 過去に投稿した質問と同じ内容の質問
  • 広告と受け取られるような投稿

評価を下げると、トップページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

まだ回答がついていません

会員登録して回答してみよう

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
87.20%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問

同じタグがついた質問を見る

Keras

Kerasは、TheanoやTensorFlow/CNTK対応のラッパーライブラリです。DeepLearningの数学的部分を短いコードでネットワークとして表現することが可能。DeepLearningの最新手法を迅速に試すことができます。

YOLO

YOLOとは、画像検出および認識用ニューラルネットワークです。CベースのDarknetというフレームワークを用いて、画像や動画からオブジェクトを検出。リアルタイムでそれが何になるのかを認識し、分類することができます。

機械学習

機械学習は、データからパターンを自動的に発見し、そこから知能的な判断を下すためのコンピューターアルゴリズムを指します。人工知能における課題のひとつです。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。