＃ Solver

＃ －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ ＃

＿C．SOLVER ＝ CN（）

＃ See detectron2／solver／build．py for LR scheduler options

＿C．SOLVER．LR＿SCHEDULER＿NAME ＝ ＂WarmupMultiStepLR＂

＿C．SOLVER．MAX＿ITER ＝ 40000

＿C．SOLVER．BASE＿LR ＝ 0．001

＿C．SOLVER．MOMENTUM ＝ 0．9

＿C．SOLVER．WEIGHT＿DECAY ＝ 0．0001

＃ The weight decay that＇s applied to parameters of normalization layers

＃ （typically the affine transformation）

＿C．SOLVER．WEIGHT＿DECAY＿NORM ＝ 0．0

＿C．SOLVER．GAMMA ＝ 0．1

＃ The iteration number to decrease learning rate by GAMMA．

＿C．SOLVER．STEPS ＝ （30000，）

＿C．SOLVER．WARMUP＿FACTOR ＝ 1．0 ／ 1000

＿C．SOLVER．WARMUP＿ITERS ＝ 1000

＿C．SOLVER．WARMUP＿M(jìn)ETHOD ＝ ＂linear＂

＃ Save a checkpoint after every this number of iterations

＿C．SOLVER．CHECKPOINT＿PERIOD ＝ 5000

＃ Number of images per batch across all machines．

＃ If we have 16 GPUs and IMS＿PER＿BATCH ＝ 32，

＃ each GPU will see 2 images per batch．

＿C．SOLVER．IMS＿PER＿BATCH ＝ 16

＃ Detectron v1 （and previous detection code） used a 2x higher LR and 0 WD for

＃ biases． This is not useful （at least for recent models）． You should avoid

＃ changing these and they exist only to reproduce Detectron v1 training if

＃ desired．

＿C．SOLVER．BIAS＿LR＿FACTOR ＝ 1．0

＿C．SOLVER．WEIGHT＿DECAY＿BIAS ＝ ＿C．SOLVER．WEIGHT＿DECAY

＃ －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ ＃

＃ Specific test options

＃ －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ ＃

＿C．TEST ＝ CN（）

＃ For end－to－end tests to verify the expected accuracy．

＃ Each item is ［task， metric， value， tolerance］

＃ e．g．： ［［＇bbox＇， ＇AP＇， 38．5， 0．2］］

＿C．TEST．EXPECTED＿RESULTS ＝ ［］

＃ The period （in terms of steps） to evaluate the model during training．

＃ Set to 0 to disable．

＿C．TEST．EVAL＿PERIOD ＝ 0

＃ The sigmas used to calculate keypoint OKS．

＃ When empty it will use the defaults in COCO．

＃ Otherwise it should have the same length as ROI＿KEYPOINT＿HEAD．NUM＿KEYPOINTS．

＿C．TEST．KEYPOINT＿OKS＿SIGMAS ＝ ［］

＃ Maximum number of detections to return per image during inference （100 is

＃ based on the limit established for the COCO dataset）．

＿C．TEST．DETECTIONS＿PER＿IMAGE ＝ 100

＿C．TEST．AUG ＝ CN（｛＂ENABLED＂： False｝）

＿C．TEST．AUG．MIN＿SIZES ＝ （400， 500， 600， 700， 800， 900， 1000， 1100， 1200）

＿C．TEST．AUG．MAX＿SIZE ＝ 4000

＿C．TEST．AUG．FLIP ＝ True

＿C．TEST．PRECISE＿BN ＝ CN（｛＂ENABLED＂： False｝）

＿C．TEST．PRECISE＿BN．NUM＿ITER ＝ 200

＃ －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ ＃

＃ Misc options

＃ －－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ ＃

＃ Directory where output files are written

＿C．OUTPUT＿DIR ＝ ＂．／output＂

＃ Set seed to negative to fully randomize everything．

＃ Set seed to positive to use a fixed seed． Note that a fixed seed does not

＃ guarantee fully deterministic behavior．

＿C．SEED ＝ －1

＃ Benchmark different cudnn algorithms．

＃ If input images have very different sizes， this option will have large overhead

＃ for about 10k iterations． It usually hurts total time， but can benefit for certain models．

＃ If input images have the same or similar sizes， benchmark is often helpful．

＿C．CUDNN＿BENCHMARK ＝ False

＃ The period （in terms of steps） for minibatch visualization at train time．

＃ Set to 0 to disable．

＿C．VIS＿PERIOD ＝ 0

＃ global config is for quick hack purposes．

＃ You can set them in command line or config files，

＃ and access it with：

＃

＃ from detectron2．config import global＿cfg

＃ print（global＿cfg．HACK）

＃

＃ Do not commit any configs into it．

＿C．GLOBAL ＝ CN（）

＿C．GLOBAL．HACK ＝ 1．0