Как правильно выбрать параметры для компромисса в Tensorflow ODApi?
Как выбрать правильные параметры для компромисса между точностью, точностью и отзывом в API обнаружения тензорного потока? Я строю собственную модель обнаружения объектов, которая может обнаруживать около 15 классов объектов питания. Мне удалось преодолеть все технические проблемы, запустив новую команду model_main.py с tenorflow-gpu 1.13, которая выполняет как обучение, так и оценку нужного набора данных. Мой вопрос касается различных параметров, которые контролируют общую точность, mAp и AR модели. На следующие вопросы будет полезно ответить всем, кто реализует API обнаружения объектов Tensorflow:
1) Какое (плохое / хорошее / отличное) количество (диапазон) изображений для обучения (на класс)?
2) При аннотировании (маркировке) объектов на изображениях с помощью инструмента аннотирования, такого как labelImg, что нужно делать и чего нельзя делать... рекомендуется покрывать (связывать боксом) все классы в изображении, даже размытые, исключая все шумные образы с тренировки.. и т.д.
3) Сколько тренировок обычно требуется во время тренировки? и какова логика переоснащения модели (зная, когда прекратить тренировки)?
4) Глядя на вкладки оценки (Tensorboard) .. обычно AR начинает увеличиваться после большого количества шагов (итераций), но иногда это (после более чем 20k шагов) влияет на общий убыток и отрицательно влияет на mAP, есть ли сделка отсюда? что именно мы ищем? больше точности, или лучше вспомнить, или меньше общих потерь?
Я знаю, что задал здесь несколько вопросов, но надеюсь, что эксперты в этой области могут пролить свет на эти проблемы.