the result of this paper
sayoko17 opened this issue · 9 comments
这篇论文里显示的结果，都是在8张3090跑出来的吗？
Are the results shown in this paper all in 8 3090?
并不是所有的模型都是使用8张卡跑的，比如我们的Dite-HRNet-18-256是使用2张卡跑的。您的疑虑是否主要在batchsize设置上呢？如果是的话，我可以明确告诉您，我们所有的模型结果都是使用等效的 batchsize * 显卡数量 = 256 训练得到的，进一步细节可以参考Training部分对Linear Scaling Rule的解释~
若您还不能理解的话，可以默认为我们所有模型都是使用8张显卡，每张显卡的batchsize都设置为32
你好，谢谢你的回复！！！我用2片p100，bs在32，跑出了比论文数据稍高一点的效果，想问一下是不是因为动态卷积有随机性？是否有固定的方法呢，谢谢你_(:з」∠)_
你好，谢谢你的回复！！！我用2片p100，bs在32，跑出了比论文数据稍高一点的效果，想问一下是不是因为动态卷积有随机性？是否有固定的方法呢，谢谢你_(:з」∠)_
结果的随机性主要是由随机种子造成的，如果想做对比实验的话，可以在训练命令的最后加上 --seed xxxxxx，xxxxxx可以采用上次训练产生的随机值，可以从日志文件中找到
SRY，之前没有想到，数据稍高的原因可能还有两点：一是valid阶段我们使用的是GT box而不是yolov3生成的box，而在test阶段我们使用的是yolov3生成的box来进行测试的，所以请您注意这一点；二是因为之前使用384×288的输入进行训练时我们数据预处理有一处错误，在现在的repo里已经改正了，所以现在结果可能比论文中数据稍高。
如果您是因为第二点造成的数据稍高，可否为我们提供一下模型文件或者在coco val set 和test-dev set上的测试结果呢，万分感谢~
1，论文里val2017的结果，也是使用的是GT box吗？有约定说论文一定要用yolov3生成的还是GTbox生成的这种吗
2，mmpose框架topdown的，是不是都用的gtbox？（litehrnet这类的），没研究过backbone以外的代码。。
应该不是因为第二点的原因，我是Dite18（256x192）val跑到66多，就来问一下原因><，test还没跑，排队用卡中
1，论文里val2017的结果，也是使用的是GT box吗？有约定说论文一定要用yolov3生成的还是GTbox生成的这种吗 2，mmpose框架topdown的，是不是都用的gtbox？（litehrnet这类的），没研究过backbone以外的代码。。 应该不是因为第二点的原因，我是Dite18（256x192）val跑到66多，就来问一下原因><，test还没跑，排队用卡中
- 不是的，我们论文里的结果都是采用yolov3生成的bbox来测试得到的结果，具体操作其实就是训练完以后使用dist_test.sh进行测试，因为我们训练验证过程设置的是GT，测试过程使用的是yolov3
- coco keypoint上的模型一般都是使用yolov3生成的box来测试并且po出结果的，在训练验证阶段使用GT是为了方便调参，免受检测器性能的干扰
好的，测试完了，18-256的那个测的比论文低0.5个点，18-384的和论文一样69，谢谢您的回复，感恩感恩>v<
你好，不好意思再打扰一下，如果说我没有对seed进行设置，只执行
./tools/dist_train.sh configs/top_down/dite_hrnet/coco/ditehrnet_18_coco_256x192.py 2
的训练命令，我的训练日志里的SEED那里会显示None，没有保存随机数，是不是就没办法复现这次的结果了呢？
"seed": null
然后如果在训练命令后面加一个 --seed 0，日志里保存的就会是0
2022-06-09 10:38:36,632 - mmpose - INFO - Set random seed to 0, deterministic: False
我下次要还是设置 --seed 0，会和这次的结果一致嘛？
谢谢！