我使用Mask-R-CNN对我的数据进行训练。当我使用TensorBoard查看结果时,我有损失、mrcnn_bbox_loss、mrcnn_class_loss、mrcnn_mask_loss、rpn_bbox_loss、rpn_class_loss等6种相同的损失用于验证:val_loss、val_mrcnn_bbox_loss等。
我想知道每个损失具体是什么。
此外,我想知道前6个损失是否为训练损失或它们是什么?如果它们不是训练损失,那么我该如何查看训练损失?
我的猜测是: 损失:这是摘要中的所有5个损失(但我不知道TensorBoard如何总结)。 mrcnn_bbox_loss:边界框大小是否正确? mrcnn_class_loss:类别是否正确?像素是否正确分配给类别? mrcnn_mask_loss:实例的形状是否正确?像素是否正确分配给实例? rpn_bbox_loss:bbox的大小是否正确? rpn_class_loss:bbox的类别是否正确?
但我很确定这不是正确的...
如果我只有1个类,一些损失是否无关紧要?例如只有背景和1个其他类?
我想知道每个损失具体是什么。
此外,我想知道前6个损失是否为训练损失或它们是什么?如果它们不是训练损失,那么我该如何查看训练损失?
我的猜测是: 损失:这是摘要中的所有5个损失(但我不知道TensorBoard如何总结)。 mrcnn_bbox_loss:边界框大小是否正确? mrcnn_class_loss:类别是否正确?像素是否正确分配给类别? mrcnn_mask_loss:实例的形状是否正确?像素是否正确分配给实例? rpn_bbox_loss:bbox的大小是否正确? rpn_class_loss:bbox的类别是否正确?
但我很确定这不是正确的...
如果我只有1个类,一些损失是否无关紧要?例如只有背景和1个其他类?
我的数据只有背景和另一个类别,这是我在TensorBoard上的结果:
我的预测还可以,但我不知道为什么我的一些验证损失在最后上下波动... 我认为它必须先只下降,然后过度拟合才会上升。 我使用的预测是TensorBoard上最多epochs的绿线。我不确定我的网络是否过度拟合,因此我想知道为什么一些验证损失看起来像这样... 这是我的预测: