tensorflow の学習がうまくいかない

Question

前提・実現したいこと

以下サイトを参考にtensorflow object detection APIを使用して独自モデルの学習を試みています。
学習をどれだけ続けても精度が上がらず困っています。
https://github.com/EdjeElectronics/TensorFlow-Object-Detection-API-Tutorial-Train-Multiple-Objects-Windows-10
https://github.com/tensorflow/models/tree/master/research/object_detection

発生している問題・エラーメッセージ

添付画像に示すようにlossの推移がおかしい？ようで、作成したモデルで
動画の検出を行ってもかなり精度が低い検出となってしまいます。
学習にはvottにてアノテーションしたデータをroboflowにてtfrecordとしてtrain90%,test10%として出力し使用しました。実行に使用したpipelineは以下に示します。

エラーメッセージ

該当のソースコード

pipeline.config

model {
  ssd {
    num_classes: 1
    image_resizer {
      fixed_shape_resizer {
        height: 300
        width: 300
      }
    }
    feature_extractor {
      type: "ssd_mobilenet_v1"
      depth_multiplier: 1.0
      min_depth: 16
      conv_hyperparams {
        regularizer {
          l2_regularizer {
            weight: 4e-05
          }
        }
        initializer {
          truncated_normal_initializer {
            mean: 0.0
            stddev: 0.03
          }
        }
        activation: RELU_6
        batch_norm {
          decay: 0.9997
          center: true
          scale: true
          epsilon: 0.001
          train: true
        }
      }
    }
    box_coder {
      faster_rcnn_box_coder {
        y_scale: 10.0
        x_scale: 10.0
        height_scale: 5.0
        width_scale: 5.0
      }
    }
    matcher {
      argmax_matcher {
        matched_threshold: 0.5
        unmatched_threshold: 0.5
        ignore_thresholds: false
        negatives_lower_than_unmatched: true
        force_match_for_each_row: true
      }
    }
    similarity_calculator {
      iou_similarity {
      }
    }
    box_predictor {
      convolutional_box_predictor {
        conv_hyperparams {
          regularizer {
            l2_regularizer {
              weight: 4e-05
            }
          }
          initializer {
            truncated_normal_initializer {
              mean: 0.0
              stddev: 0.03
            }
          }
          activation: RELU_6
          batch_norm {
            decay: 0.9997
            center: true
            scale: true
            epsilon: 0.001
            train: true
          }
        }
        min_depth: 0
        max_depth: 0
        num_layers_before_predictor: 0
        use_dropout: false
        dropout_keep_probability: 0.8
        kernel_size: 1
        box_code_size: 4
        apply_sigmoid_to_scores: false
      }
    }
    anchor_generator {
      ssd_anchor_generator {
        num_layers: 6
        min_scale: 0.2
        max_scale: 0.95
        aspect_ratios: 1.0
        aspect_ratios: 2.0
        aspect_ratios: 0.5
        aspect_ratios: 3.0
        aspect_ratios: 0.3333
      }
    }
    post_processing {
      batch_non_max_suppression {
        score_threshold: 0.3
        iou_threshold: 0.6
        max_detections_per_class: 100
        max_total_detections: 100
      }
      score_converter: SIGMOID
    }
    normalize_loss_by_num_matches: true
    loss {
      localization_loss {
        weighted_smooth_l1 {
        }
      }
      classification_loss {
        weighted_sigmoid {
        }
      }
      hard_example_miner {
        num_hard_examples: 3000
        iou_threshold: 0.99
        loss_type: CLASSIFICATION
        max_negatives_per_positive: 3
        min_negatives_per_image: 0
      }
      classification_weight: 1.0
      localization_weight: 1.0
    }
  }
}
train_config {
  batch_size: 16
  data_augmentation_options {
    random_horizontal_flip {
    }
  }
  data_augmentation_options {
    ssd_random_crop {
    }
  }
  optimizer {
    rms_prop_optimizer {
      learning_rate {
        exponential_decay_learning_rate {
          initial_learning_rate: 0.004
          decay_steps: 800720
          decay_factor: 0.95
        }
      }
      momentum_optimizer_value: 0.9
      decay: 0.9
      epsilon: 1.0
    }
  }
  fine_tune_checkpoint: "/content/drive/MyDrive/tensorflow1/models/research/object_detection/ssd_mobilenet_v1_coco_2018_01_28/model.ckpt"
  from_detection_checkpoint: true
  num_steps: 200000
}
train_input_reader {
  label_map_path: "/content/drive/MyDrive/tensorflow1/models/research/object_detection/training/train_label_map.pbtxt"
  tf_record_input_reader {
    input_path: "/content/drive/MyDrive/tensorflow1/models/research/object_detection/train.tfrecord"
  }
}
eval_config {
  num_examples: 8000
  max_evals: 10
  use_moving_averages: false
}
eval_input_reader {
  label_map_path: "/content/drive/MyDrive/tensorflow1/models/research/object_detection/training/train_label_map.pbtxt"
  shuffle: false
  num_readers: 1
  tf_record_input_reader {
    input_path: "/content/drive/MyDrive/tensorflow1/models/research/object_detection/test.tfrecord"
  }
}
![![tensorboard](db99e5ae4210f30c9f3f5ea2e0d0dc13.jpeg)](8aea1d0321273f49a86e22bad586ac0d.jpeg)

試したこと

ここに問題に対して試したことを記載してください。

補足情報（FW/ツールのバージョンなど）

ここにより詳細な情報を記載してください。

Comments

[meg_]

> 添付画像に示すように
添付されていないようですが？

[underthesea]

追加しました。
また、試しに同じアノテーションデータを使ってyolov5を学習させた場合は高い精度の検出ができましたが、tensorflowを使用したいので、お力をお貸しいただけると助かります。

[meg_]

画像を見ると全く学習できていないようです。
手順通りにされているかと思いますが、設定ファイル等もう一度見直されると良いかもしれません。
確認ですが、画像サイズは720x1280以下でしょうか？

[underthesea]

ご回答ありがとうございます。
精度は限りなく低いものの検出が行えているフレームもあるのですが、(新しく設定したクラスです。)
全くできていないのでしょうか。
画像サイズはroboflowでの出力の際にすべて416×416に変換されていました。

[meg_]

> 全くできていないのでしょうか。
ドキュメント（https://github.com/EdjeElectronics/TensorFlow-Object-Detection-API-Tutorial-Train-Multiple-Objects-Windows-10）の例と比較してもほぼ学習できていないように見受けられました。
yoloで学習できたのであればデータには問題なさそうですね。

ところでOS、tensorflowのバージョンは何でしょうか？質問に追記されると回答が付きやすくなるかと思います。