Detectron: 训练输出

accuracy_cls是训练中看到的 RoI mini-batches 的分类准确率。 请注意，默认情况下，这些是 1:3 foreground:background平衡的，因此如果网络只是猜测背景，其准确度将为 75%（这并不意味着它很好）。

mb_qsize是数据加载器的输出队列大小。 大多数情况下，这应该接近 64（满）。 如果它下降到 0，那么 GPU 将停止等待数据。

mem是 caffe2 使用的单个 GPU 上的最大 GPU 内存量（请注意，这并不反映 caffe2 可以跟踪的部分 GPU 内存使用情况，例如 cudnn 缓存等）。

损失的总和不等于总损失，因为每个记录的值都经过中值过滤以平滑显示的输出值。

太棒了！

任何解释，或者它增长这么快是否正常？

json_stats：{“accuracy_cls”：0.351562，“eta”：“121 天，0:34:07”，“iter”：0，“loss”：6.128010，“loss_bbox”：0.007976，“loss_cls”：3.535384，“loss_rpn_bbox_fpn2 “：0.000000， “loss_rpn_bbox_fpn3”：0.000000， “loss_rpn_bbox_fpn4”：0.000000， “loss_rpn_bbox_fpn5”：0.063088， “loss_rpn_bbox_fpn6”：0.000000， “loss_rpn_cls_fpn2”：2.373329， “loss_rpn_cls_fpn3”：0.110721， “loss_rpn_cls_fpn4”：0.032310， “loss_rpn_cls_fpn5”： 0.005202，“loss_rpn_cls_fpn6”：0.000000，“lr”：0.000333，“mb_qsize”：64，“mem”：2965，“时间”：174.274131}

I0409 23:48:21.545917 14708 context_gpu.cu:305] GPU 0:3037 MB

I0409 23:48:21.586969 14708 context_gpu.cu:309] 总计：3037 MB

I0409 23:48:23.049207 14711 context_gpu.cu:305] GPU 0: 3169 MB

I0409 23:48:23.049262 14711 context_gpu.cu:309] 总计：3169 MB

json_stats：{“accuracy_cls”：0.972342，“eta”：“7 天，4:53:41”，“iter”：20，“loss”：16.139348，“loss_bbox”：0.666931，“loss_cls”：11.527749，“loss_rpn_bbox_fpn2 “：0.000000， “loss_rpn_bbox_fpn3”：0.000000， “loss_rpn_bbox_fpn4”：0.000000， “loss_rpn_bbox_fpn5”：0.074818， “loss_rpn_bbox_fpn6”：0.000000， “loss_rpn_cls_fpn2”：0.000000， “loss_rpn_cls_fpn3”：0.000000， “loss_rpn_cls_fpn4”：0.000000， “loss_rpn_cls_fpn5”： 0.052323，“loss_rpn_cls_fpn6”：0.000000，“lr”：0.000360，“mb_qsize”：64，“mem”：3254，“时间”：10.377150}`

@RafaRuiz我也得到了同样的结果......

你知道它为什么长得这么快吗？