我想通过 Pytorch 和 Detectron2 训练一个使用 faster_rcnn 或 mask_rcnn 的自定义数据集。一切正常，但我想知道我想知道我有什么结果。
[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
我有这个结果，我想知道这一切意味着什么
这些是在训练循环的每次迭代中打印出来的指标。最重要的是损失值，但下面是对它们的基本描述（我认为是不eta言iter自明的）。
total_loss：这是迭代期间计算的以下单个损失的加权和。默认情况下，权重都是一。
loss_cls：ROI 头部的分类损失。衡量框分类的损失，即模型在用正确的类标记预测框方面的效果如何。
loss_box_reg：ROI 头部的定位损失。测量框定位的损失（预测位置与真实位置）。
loss_rpn_cls：区域建议网络中的分类损失。测量“objectness”损失，即 RPN 在将锚框标记为前景或背景方面有多好。
loss_rpn_loc：区域提案网络中的定位损失。测量 RPN 中预测区域的定位损失。
loss_mask：Mask head 中的Mask loss。测量预测的二进制掩码的“正确性”程度。
有关损失 (1) 和 (2) 的更多详细信息，请查看Fast R-CNN 论文和代码。
有关损失 (3) 和 (4) 的更多详细信息，请查看Faster R-CNN 论文和代码。
有关损失 (5) 的更多详细信息，请查看Mask R-CNN 论文和代码。
time：迭代所花费的时间。
data_time：数据加载器在该迭代中花费的时间。
lr：该迭代中的学习率。
max_mem：张量占用的最大 GPU 内存（以字节为单位）。