Detectron: トレーニングからの出力

accuracy_clsは、トレーニングで見られるRoIミニバッチの分類精度です。 これらはデフォルトで1：3 f oreground：backgroundのバランスが取れているため、ネットワークがバックグラウンドを推測しているだけの場合、その精度は75％になります（これは、それが良いことを意味するわけではありません）。

mb_qsizeは、データローダーの出力キューサイズです。 ほとんどの場合、これは64（フル）に近いはずです。 0に低下すると、GPUはデータを待機して停止します。

memは、caffe2が使用する単一のGPU上のGPUメモリの最大量です（これは、caffe2が追跡できる範囲外のGPUメモリ使用量（cudnnキャッシュなど）を反映していないことに注意してください）。

記録された各値は、表示された出力値を平滑化するために個別に中央値フィルター処理されるため、損失の合計は合計損失と等しくありません。

すごい！

何か説明がありますか、それともこれほど速く成長するのは正常ですか？

json_stats：{"accuracy_cls"：0.351562、 "eta"： "121 days、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、" rpn_fpn2 "：2.373329、" loss_rp 0.005202、 "loss_rpn_cls_fpn6"：0.000000、 "lr"：0.000333、 "mb_qsize"：64、 "mem"：2965、 "time"：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]合計：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]合計：3169 MB

json_stats：{"accuracy_cls"：0.972342、 "eta"： "7 days、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、" rpn_cls_fpn2 "：0.000000、" 0.052323、 "loss_rpn_cls_fpn6"：0.000000、 "lr"：0.000360、 "mb_qsize"：64、 "mem"：3254、 "time"：10.377150} `

@RafaRuiz私も同じ結果を得ています...

なぜそれがとても速く成長するのか理解しましたか？