We used the FCOS framework for mode

We used the FCOS framework for model training based on PyTorch [35,42]. Wetrained 35 epochs under different backbone networks with the batch-size set to 12 and8, respectively. In the early stage of training, the warm-up strategy was used to increase thelearning rate from 0 to 2  103 gradually. When the training times reached 20,000 times, itreduced the learning rate to 2  104, and after the training times reached 27,000 times, thelearning rate was reduced to 2  105. Experiments were run on RTX A5000 GPU.

ผลลัพธ์ (ไทย) 1:

เราใช้เฟรมเวิร์ก FCOS สำหรับการฝึกโมเดลโดยใช้ PyTorch [35,42] เราฝึกอบรม 35 ยุคภายใต้เครือข่ายแกนหลักที่แตกต่างกันโดยกำหนดขนาดแบทช์เป็น 12 และ8 ตามลำดับ ในช่วงแรกของการฝึกใช้กลยุทธ์วอร์มอัพเพื่อเพิ่มอัตราการเรียนรู้จาก 0 เป็น 2 103 ทีละน้อย เมื่อเวลาฝึกฝนถึง 20,000 ครั้ง อัตราการเรียนรู้ก็ลดลงเหลือ 2,104 ครั้ง และหลังจากเวลาฝึกฝนถึง 27,000 ครั้ง อัตราการเรียนรู้ก็ลดลงเหลือ 2,105 ครั้ง ทำการทดลองบน RTX A5000 GPU

ผลลัพธ์ (ไทย) 2:

เราใช้กรอบ FCOS สำหรับการฝึกอบรมแบบจำลองตาม PyTorch [35, 42] เรา
35 ช่วงเวลาของการฝึกอบรมภายใต้เครือข่ายกระดูกสันหลังที่แตกต่างกันการตั้งค่าขนาดล็อตที่ 12
8。 ในช่วงแรกของการฝึกใช้กลยุทธ์อุ่นเครื่องเพื่อเพิ่ม
อัตราการเรียนรู้ค่อยๆ เพิ่มขึ้นจาก 0 เป็น 2103 เมื่อจำนวนการฝึกถึง 20000 ครั้งอัตราการเรียนรู้ลดลงเหลือ 2104 ครั้งเมื่อจำนวนการฝึกถึง 27000 ครั้ง
อัตราการเรียนลดลงเหลือ 2105 คน การทดลองทำงานบน RTX A5000 GPU

ผลลัพธ์ (ไทย) 3:

เราใช้การฝึกอบรมแบบจําลองโดยใช้เฟรมFCOSบนพื้นฐานของPyTorch [ 35,42 ] พวกเรา
ฝึก 35 ช่วงภายใต้เครือข่ายหลักที่แตกต่างกัน ชุดแบทช์ตั้งไว้ที่ 12
8, ตามลําดับ. ในช่วงต้นของการฝึกอบรม กลยุทธ์การอุ่นเครื่องถูกใช้เพื่อเพิ่ม
ความเร็วในการเรียนรู้103เพิ่มขึ้นเรื่อยๆจาก0ถึง2 เมื่อจํานวนการฝึกถึง 20,000 ครั้ง มันจะลดอัตราการเรียนรู้ลงเหลือ 2,104 เมื่อจํานวนการฝึกถึง 27,000 ครั้ง
อัตราการเรียนรู้ลดลงเหลือ2,105 การทดลองทํางานบนโปรเซสเซอร์กราฟิกRTX a5000