一:cfg文件参数解析;参考:https://www.cnblogs.com/hls91/p/10911997.html
二:训练参数解析:
batch:每轮迭代随机选取的样本数量
subdivision:为了减少显存压力,将每个batch分为subdivision组,意味着将一轮迭代中,分subdivision次将图片输入网络进行训练,(即每次送入网络batch/subdivision张图片)
- 9798: 指示当前训练的迭代次数
- 0.370096: 是总体的Loss(损失)
- 0.451929 avg: 是平均Loss,这个数值应该越低越好,一般来说,一旦这个数值低于0.060730 avg就可以终止训练了。
- 0.001000 rate: 代表当前的学习率,是在.cfg文件中定义的。
- 3.300000 seconds: 表示当前批次训练花费的总时间。
- 627072 images: 这一行最后的这个数值是9798*64的大小,表示到目前为止,参与训练的图片的总量
IOU(交集比并集)是一个衡量我们的模型检测特定的目标好坏的重要指标。100%表示我们拥有了一个完美的检测,即我们的矩形框跟目标完美重合。很明显,我们需要优化这个参数。
- Region Avg IOU: 0.326577: 表示在当前subdivision内的图片的平均IOU,代表预测的矩形框和真实目标的交集与并集之比,这里是32.66%,这个模型需要进一步的训练。
- Class: 0.742537: 标注物体分类的正确率,期望该值趋近于1。
- Obj: 0.033966: 越接近1越好。
- No Obj: 0.000793: 期望该值越来越小,但不为零。
- Avg Recall: 0.12500: 是在recall/count中定义的,是当前模型在所有subdivision图片中检测出的正样本与实际的正样本的比值。在本例中,只有八分之一的正样本被正确的检测到。
- count: 8:count后的值是所有的当前subdivision图片(本例中一共8张)中包含正样本的图片的数量。在输出log中的其他行中,可以看到其他subdivision也有的只含有6或7个正样本,说明在subdivision中含有不含检测对象的图片。
0 7 7 RPs/Img: 8.00 IOU: 70.84% Recall:100.00%
1 10 10 RPs/Img: 6.00 IOU: 73.57% Recall:100.00%
2 13 13 RPs/Img: 6.33 IOU: 72.75% Recall:100.00%
3 19 19 RPs/Img: 6.50 IOU: 72.04% Recall:100.00%
4 21 23 RPs/Img: 6.00 IOU: 66.62% Recall:91.30%
5 25 28 RPs/Img: 6.00 IOU: 66.24% Recall:89.29%
6 31 34 RPs/Img: 6.14 IOU: 66.07% Recall:91.18%
7 38 41 RPs/Img: 6.25 IOU: 67.08% Recall:92.68%
8 41 45 RPs/Img: 6.11 IOU: 66.73% Recall:91.11%
9 44 48 RPs/Img: 5.90 IOU: 66.44% Recall:91.67%
10 48 52 RPs/Img: 5.82 IOU: 67.48% Recall:92.31%
11 50 54 RPs/Img: 5.50 IOU: 67.57% Recall:92.59%
Number Correct Total Rps/Img IOU Recall
1. Number 第几张图片
2. Correct表示正确的识别除了多少bbox,大于预设值的 通过计算IOU,输入一张图片
3. Total表示实际有多少个bbox
4. Rps/img表示平均每个图片会预测出来多少个bbox
5. IOU: 这个是预测出的bbox和实际标注的bbox的交集 除以 他们的并集。显然,这个数值越大,说明预测的结果越好。
6. Recall召回率, 意思是检测出物体的个数 除以 标注的所有物体个数。通过代码我们也能看出来就是Correct除以Total的值。