mmdet3d模型输出的各个参数解释
lr: 7.973e-05, eta: 34 days, 2:27:48, time: 9.124, data_time: 0.101, memory: 5017, loss_cls: 1.3836, loss_bbox: 2.0700, d0.loss_cls: 1.4157, d0.loss_bbox: 4.1906, d1.loss_cls: 1.3849, d1.loss_bbox: 2.1663, d2.loss_cls: 1.3517, d2.loss_bbox: 2.1324, d3.loss_cls: 1.3615, d3.loss_bbox: 2.0996, d4.loss_cls: 1.3966, d4.loss_bbox: 2.0747, loss: 23.0276, grad_norm: 32.6606
lr:学习率(learning rate),用于控制模型参数在每次迭代更新时的步长大小。这个值通常会随着训练的进行而逐渐调整。
eta:预计剩余时间(estimated time remaining),即预计完成训练所需的剩余时间。
time:每个迭代(或批次)的平均处理时间,以秒为单位。
data_time:数据加载所需的时间,以秒为单位。这表示在每个迭代中,模型花费了多少时间来加载训练数据。
memory:内存占用情况,通常以 MB 或 GB 为单位,表示模型当前使用的内存大小。
loss_cls:分类损失(classification loss),用于衡量模型预测的类别与真实类别之间的差异。
loss_bbox:边界框回归损失(bounding box regression loss),用于衡量模型预测的边界框与真实边界框之间的差异。
d0.loss_cls、d0.loss_bbox、d1.loss_cls、d1.loss_bbox、d2.loss_cls、d2.loss_bbox、d3.loss_cls、d3.loss_bbox、d4.loss_cls、d4.loss_bbox:如果模型是分层的(如级联目标检测模型),则这些表示不同层级的分类损失和边界框回归损失。
loss:总损失,通常是分类损失和边界框回归损失的总和。
grad_norm:梯度的范数(gradient norm),用于衡量梯度的大小,通常用于监控梯度爆炸或梯度消失的情况。