yishunzhijian

> 这个是对应位置的缩进不对齐所致，我上传的文件在我本地上都是对齐的，可能有些地方上传后不对齐了，你需要调整一下，再运行eval.py 这修改好之后出现新问题，我觉得下面eval.py程序需要改一下： if args.cross_class_nms = True: nms='cross class' else: nms='not use cross class' if args.fast_nms = True: num_count = num_count + 1 if args.cluster_nms = True: num_count = num_count...

> eval.py中，换成其他的nms看看是否会报错，比如fast_nms fast_nms好使，可以训练，其他的有相同的问题

> 这就很奇怪了，因为我看你报错是cluster_diounms的第一步scores.sort(1, descending=True)，而这一步对fast_nms也是一样的第一步。详情可查看layers/functions/detection.py 其他的nms都可以训练，就这个还是有问题 spm_dist_weighted Traceback (most recent call last): File "train.py", line 504, in train() File "train.py", line 371, in train compute_validation_map(epoch, iteration, yolact_net, val_dataset, log if args.log else...

请问加入ciou损失和Cluster-NMS后，为什么ap mask的值会提升？我的理解是ap box会提升，因为是对边界框的优化。yolact检测和分割是分开进行的，如何解释ap mask会提升呢？谢谢回复。

> YOLACT是基于检测的实例分割算法，因此box会影响裁剪出的mask的效果 可以讲的具体一点嘛，因为分割分支直接产生mask，似乎和box没什么关系

> 你看NMS的代码，mask是根据box的结果来裁剪的。box越正确，mask的结果也就越正确 谢谢，那ciou对ap mask的提升怎么理解呢

> CIoU用于bbox regression，可以提升box的质量 非常感谢

还有一个小问题，看了一下代码，还是不太清楚ap mask是如何计算的，是计算每个像素吗

我看到你论文中Balancing precision and recall by different values of β in Cluster-NMS S+D，并且让β等于0.6，但是代码中并没有β的设置

> 有可能是一些超参需要调整，比如regression loss weight 请问在哪具体在哪更改，我在darknet官方版本训练效果很好。这个就不行