使用PyTorch+Detectron2训练Faster/Mask RCNN时训练日志参数含义咨询

原始日志内容 #

[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

损失类字段（模型优化相关） #

• total_loss：所有分项损失的加权求和值，是模型反向传播时整体优化的目标，数值越低代表模型整体拟合效果越好
• loss_cls：检测头分类损失，用于衡量模型对检测框内目标类别的预测准确度，类别预测错误越多该值越高
• loss_box_reg：检测头边界框回归损失，用于衡量模型预测的目标边界框与人工标注真实框的重合度，偏差越大该值越高
• loss_mask：Mask分支分割损失（仅使用Mask RCNN训练时会输出该字段，Faster RCNN无此损失），用于衡量模型生成的实例分割掩码与真实标注掩码的匹配度
• loss_rpn_cls：区域候选网络（RPN）分类损失，用于衡量RPN判断锚框属于前景/背景的准确率
• loss_rpn_loc：区域候选网络（RPN）边界框回归损失，用于衡量RPN生成的候选框与真实标注框的重合度

训练状态类字段（运行环境相关） #

• eta：剩余训练的预计完成时间，根据当前迭代速度和剩余迭代总数计算得出
• iter：当前训练的迭代步数，Detectron2默认把单批次数据的完整训练流程记为1次迭代
• time：单次迭代的平均总耗时，单位为秒，覆盖数据加载、前向传播、反向传播、参数更新全流程
• data_time：单次迭代中加载训练数据的耗时，单位为秒，若该值占总耗时比例过高，可优先优化数据加载流水线
• lr：当前迭代对应的学习率，是优化器的核心参数，控制模型参数每次更新的步长
• max_mem：训练到当前迭代为止，占用的GPU显存峰值，单位为MB

内容的提问来源于stack exchange，提问作者Miliia