mmdetection中的loss是如何打印出来的

class TwoStageDetector(BaseDetector):

Two stage 的forward_train()返回losses列表 (由RPN和ROI的forward_train()返回而来)

class EpochBasedRunner(BaseRunner):

其中的

outputs = self.model.train_step(data_batch, self.optimizer,
                                **kwargs)和
self.log_buffer.update(outputs['log_vars'], outputs['num_samples'])将loss列表加入到
self.log_buffer

class BaseDetector(BaseModule, metaclass=ABCMeta):

中的def train_step(self, data, optimizer): 处理loss列表(Two stage 的forward_train返回losses列表)

存入

self.log_buffer中的loss是如何打印的呢?

使用 TextLoggerHook继承的LoggerHook

 

 

 

 

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
mmdetectionloss包括Focal Loss、Bbox Loss、Objectness Loss和L1 Loss。其,Focal Loss是一种用于解决类别不平衡问题的损失函数,它在计算交叉熵损失时引入了一个可调参数,用于调整易分类样本和难分类样本的权重。 Bbox Loss用于计算目标框的回归损失,它衡量了预测框与真实框之间的差异。 Objectness Loss用于计算目标的存在性损失,它帮助模型判断物体是否存在于图像。 L1 Loss用于计算预测框的平滑L1损失,它有助于减小预测框的偏差。 这些loss函数的具体实现和参数设置可以在代码找到。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [【MMDet Note】MMDetectionLoss之FocalLoss代码理解与解读](https://blog.csdn.net/weixin_47691066/article/details/126300413)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [【mmdetection系列】mmdetection之loss讲解](https://blog.csdn.net/qq_35975447/article/details/128270128)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值