什么是 total_loss、loss_cls 等等
What is total_loss,loss_cls etc
我想通过 Pytorch 和 Detectron2 使用 faster_rcnn 或 mask_rcnn 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
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，但下面是对它们的基本描述（我认为 eta 和 iter 是不言自明的）。
total_loss：这是在迭代过程中计算的以下个别损失的加权和。默认情况下，权重都是一个。
loss_cls：ROI头部的分类损失。测量框 class 化的损失，即模型在用正确的 class.
标记预测框方面有多好
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：Region Proposal Network中的分类损失。测量“客观性”损失，即 RPN 在将锚框标记为前景或背景方面有多好。
loss_rpn_loc：Region Proposal Network 中的定位损失。测量 RPN 中预测区域定位的损失。
loss_mask：面具头中的面具损失。测量预测的二进制掩码的“正确”程度。
有关损失 (1) 和 (2) 的更多详细信息，请查看 Fast R-CNN paper and the code。
有关损失 (3) 和 (4) 的更多详细信息，请查看 Faster R-CNN paper and the code。
有关损失 (5) 的更多详细信息，请查看 Mask R-CNN paper and the code。
time：迭代所用的时间。
data_time：数据加载器在该次迭代中花费的时间。
lr：那次迭代的学习率。
max_mem：张量占用的最大GPU内存，单位为字节。
我想通过 Pytorch 和 Detectron2 使用 faster_rcnn 或 mask_rcnn 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
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，但下面是对它们的基本描述（我认为 eta 和 iter 是不言自明的）。
total_loss：这是在迭代过程中计算的以下个别损失的加权和。默认情况下，权重都是一个。
标记预测框方面有多好loss_cls：ROI头部的分类损失。测量框 class 化的损失，即模型在用正确的 class.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：Region Proposal Network中的分类损失。测量“客观性”损失，即 RPN 在将锚框标记为前景或背景方面有多好。loss_rpn_loc：Region Proposal Network 中的定位损失。测量 RPN 中预测区域定位的损失。loss_mask：面具头中的面具损失。测量预测的二进制掩码的“正确”程度。有关损失 (1) 和 (2) 的更多详细信息，请查看 Fast R-CNN paper and the code。
有关损失 (3) 和 (4) 的更多详细信息，请查看 Faster R-CNN paper and the code。
有关损失 (5) 的更多详细信息，请查看 Mask R-CNN paper and the code。
time：迭代所用的时间。
data_time：数据加载器在该次迭代中花费的时间。
lr：那次迭代的学习率。
max_mem：张量占用的最大GPU内存，单位为字节。