Detectron: 훈련의 출력

accuracy_cls 는 훈련에서 볼 수 있는 RoI 미니 배치의 분류 정확도입니다. 이것들은 기본적으로 배경:배경 에 대해 1:3으로 균형을 이루므로 네트워크가 배경을 추측하는 경우 정확도는 75%가 됩니다(좋은 의미는 아님).

mb_qsize 는 데이터 로더의 출력 대기열 크기입니다. 이것은 대부분의 경우 64(전체)에 가까워야 합니다. 0으로 떨어지면 GPU가 데이터를 기다리면서 멈춥니다.

mem 는 caffe2가 사용하는 단일 GPU의 최대 GPU 메모리 양입니다(이 값은 caffe2가 추적할 수 있는 범위(예: cudnn 캐시 등) 이외의 일부 GPU 메모리 사용량을 반영하지 않음).

표시된 출력 값을 매끄럽게 하기 위해 각 기록된 값이 별도로 필터링되기 때문에 손실의 합계는 총 손실과 같지 않습니다.

대단해!

설명이 필요한가요? 아니면 이렇게 빨리 자라는 게 정상인가요?

json_stats: {"accuracy_cls": 0.351562, "eta": "121일, 0:34:07", "iter": 0, "손실": 6.128010, "loss_bbox": 0.007976, "loss_cls": 3.5 "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, "메모리": 2965, "시간": 174.274131}

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

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

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

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

"_json_stats: {"accuracy_cls": 0.972342, "eta": "7일, 4:53:41", "iter": 20, "손실": 16.139348, "loss_bbox": 0.6669521, "loss_cls": 11.11. "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, "메모리": 3254, "시간": 10.377150}`

@RafaRuiz 저도 같은 결과가 나오네요...

왜 이렇게 빨리 자라는지 알아냈나요?