Mil*_*iia 8 python machine-learning conv-neural-network pytorch detectron
我想使用 Faster_rcnn 或 mask_rcnn 与 Pytorch 和 Detectron2 来训练自定义数据集。一切正常，但我想知道我想知道我得到的结果是什么。
[11/29 20:16:31 d2.utils.events]: eta: 0:24:04 iter: 19 total_loss: 9.6 loss_cls: 1.5 loss_box_reg: 0.001034 loss_mask: 0.6936 loss_rpn_cls: 6.773 loss_rpn_loc: 0.5983 time: 1.4664 data_time: 0.0702 lr: 4.9953e-06 max_mem: 2447M
我得到了这个结果，我想知道这一切意味着什么
zep*_*man 10
这些是在训练循环的每次迭代中打印出来的指标。最重要的是损失值，但下面是它们的基本描述（我认为eta是iter不言自明的）。
total_loss：这是迭代期间计算的以下各个损失的加权和。默认情况下，权重均为一。
loss_cls： ROI 头部的分类损失。测量框分类的损失，即模型在用正确的类别标记预测框方面的表现。
loss_box_reg： ROI 头部的定位损失。测量框定位的损失（预测位置与真实位置）。
loss_rpn_cls：区域提案网络中的分类损失。测量“客观性”损失，即 RPN 将锚框标记为前景或背景的效果如何。
loss_rpn_loc：区域提案网络中的定位损失。测量 RPN 中预测区域的定位损失。
loss_mask：面罩头中的面罩丢失。测量预测的二进制掩码的“正确性”程度。
有关损失 (1) 和 (2) 的更多详细信息，请查看Fast R-CNN 论文和代码。
有关损失 (3) 和 (4) 的更多详细信息，请查看Faster R-CNN 论文和代码。
有关损失 (5) 的更多详细信息，请查看Mask R-CNN 论文和代码。
time：迭代所花费的时间。
data_time：数据加载器在该迭代中花费的时间。
lr：该次迭代中的学习率。
max_mem：张量占用的最大 GPU 内存（以字节为单位）。