看文章中的一些疑问

[Alexwong-1024]

师兄，您好，您的工作做得很不错，在这里我想问下，您这里在表格中测试的AP值用的是测试集测试的，还是验证集测试的，期待您的回复，感谢师兄。

[WindVChen]

哈喽 @Alexwong-1024 ,

都是在测试集测试的哈.

[Alexwong-1024]

好的，十分感谢师兄。

[Alexwong-1024]

@WindVChen 师兄，我还有个疑问，就是您模型的训练次数是500还是1000呢？文章中好像提及是500，但是您代码默认是1000，期待您的回答。

[WindVChen]

文章中的是500，实际要训得话也可以调到1000，两者性能不会有太大差异，但1000步收敛更稳定些~

[Alexwong-1024]

@WindVChen 好的，谢谢师兄您，十分感谢您的答复。

[Alexwong-1024]

师兄，我这里还有个问题，就是我发现每次跑的结果都不一样，而且有时候还差一两个点，请问您那边有这样的情况吗？如果有的话是怎样处理的呢？期待您的答复，感谢师兄。

[WindVChen]

是指“多次训练”的结果在测试集上的性能会差一两个点吗？还是说“同一次训练”结果在“多次测试”上性能会不一致呢？

[wap1024]

就是同一个模型，我多次训练，训练次数一样，然后使用测试集测试，每次结果都不一样。

[WindVChen]

哈喽 @wap1024 ，

我查了下之前我测试这个仓库的两次实验记录（在一台3090上测的），下面的曲线表示的是随训练步数增长验证集性能变化（我没记错的话），然后上面的图注后面那个数字是测试集的指标：

多次训练确实结果会有偏差，我这边显示的两次偏差会有~0.5，这种情况可以训练3-5次取平均来平稳效果.

[Alexwong-1024]

好的，十分感谢师兄您的答复

[wap1024]

师兄，我还有个疑问就是，我有点不明白您在推理阶段时，是如何将您图片重建分支给去除的，期待您的答复，谢谢师兄。

[WindVChen]

哈喽，仓库提供的推理代码（detect.py）是直接基于完整模型参数的网络权重哈，也就是在推理阶段还包含了图像重建分支的那部分冗余。

要排除那部分的计算冗余的话，一个比较粗暴的做法就是将图像分支那块儿的相关网络的forward改成比如恒等映射；而如果要同时排除那部分参数和计算冗余的话，可以在网络配置文件那儿将图像分支那块儿的网络设置删掉，然后用所提供的网络权重来初始化对应层的参数，主要涉及到的代码应该就是yolo.py和common.py （这部分记不太清楚了）

[Alexwong-1024]

@WindVChen 好的，明白了，再次十分感谢师兄您的回复。祝您生活愉快。

[wap1024]

师兄，我想向您请教一个问题，就是您对于本数据集的划分方式是怎样划分的呢？随机划分吗？

[WindVChen]

嗯嗯对的，可以参考这里的划分代码https://github.com/WindVChen/LEVIR-Ship/blob/main/Partition_LEVIR-Ship.py.