什么是 loss_cls 和 loss_bbox 以及为什么它们在训练中总是零
What is loss_cls and loss_bbox and why are they always zero in training
我正在尝试使用 Detectron here 的 Pytorch 实现来训练使用 faster_rcnn 的自定义数据集。我已经根据 repo 中的指南对数据集和配置进行了更改。
训练过程成功，但是loss_cls和loss_bbox的值从一开始就为0，即使训练完成，最终的输出也不能用于评价或一个推论。
我想知道这两个是什么意思，以及如何在培训期间改变这些价值观。我在这里使用的确切模型是 e2e_faster_rcnn_R-50-FPN_1x
如有任何帮助，我们将不胜感激。我在 Anaconda、CUDA 9、cuDNN 7 上使用 Ubuntu 16.04 和 Python 3.6。
两次损失是多少？
训练多目标检测器时，通常（至少）有两种损失：
loss_bbox：衡量预测边界框与地面实况对象“紧密”程度的损失（通常是回归损失，L1、smoothL1等）。 loss_cls：衡量每个预测边界框classification正确性的损失：每个框可能包含一个对象class，或“背景”。这种损失通常称为交叉熵损失。
为什么损失总是零？
训练检测器时，模型会为每张图像预测相当多 (~1K) 个可能的框。其中大部分是空的（即属于“背景”class）。损失函数将每个预测框与图像的地面真值框注释相关联。
如果预测框与真实框有明显重叠，则计算 loss_bbox 和 loss_cls 以查看模型预测真实框的能力。
另一方面，如果预测的框与任何地面真值框没有重叠，则仅为“背景”计算 loss_cls class。
但是，如果与地面真实情况只有非常部分的重叠，则预测框将被“丢弃”并且不会计算损失。我怀疑，出于某种原因，您的培训课程就是这种情况。
我建议您检查确定预测盒装注释和地面实况注释之间关联的参数。此外，查看“锚点”的参数：这些参数决定了预测框的比例和纵横比。
我正在尝试使用 Detectron here 的 Pytorch 实现来训练使用 faster_rcnn 的自定义数据集。我已经根据 repo 中的指南对数据集和配置进行了更改。
训练过程成功，但是loss_cls和loss_bbox的值从一开始就为0，即使训练完成，最终的输出也不能用于评价或一个推论。
我想知道这两个是什么意思，以及如何在培训期间改变这些价值观。我在这里使用的确切模型是 e2e_faster_rcnn_R-50-FPN_1x
如有任何帮助，我们将不胜感激。我在 Anaconda、CUDA 9、cuDNN 7 上使用 Ubuntu 16.04 和 Python 3.6。
两次损失是多少？
训练多目标检测器时，通常（至少）有两种损失：
loss_bbox：衡量预测边界框与地面实况对象“紧密”程度的损失（通常是回归损失，L1、smoothL1等）。loss_cls：衡量每个预测边界框classification正确性的损失：每个框可能包含一个对象class，或“背景”。这种损失通常称为交叉熵损失。
为什么损失总是零？
训练检测器时，模型会为每张图像预测相当多 (~1K) 个可能的框。其中大部分是空的（即属于“背景”class）。损失函数将每个预测框与图像的地面真值框注释相关联。
如果预测框与真实框有明显重叠，则计算 loss_bbox 和 loss_cls 以查看模型预测真实框的能力。
另一方面，如果预测的框与任何地面真值框没有重叠，则仅为“背景”计算 loss_cls class。
但是，如果与地面真实情况只有非常部分的重叠，则预测框将被“丢弃”并且不会计算损失。我怀疑，出于某种原因，您的培训课程就是这种情况。
我建议您检查确定预测盒装注释和地面实况注释之间关联的参数。此外，查看“锚点”的参数：这些参数决定了预测框的比例和纵横比。