The object category indicates the type of annotated object, (i.e., ignored regions (0), pedestrian (1), people (2), bicycle (3), car (4), van (5), truck (6), tricycle (7), awning-tricycle (8), bus (9), motor (10), others (11))
Backbone = Resnext 152
test 548, step =50000, mask_on=False 测548）
INFO voc_dataset_evaluator.py: 143: Mean AP = 0.4277
INFO voc_dataset_evaluator.py: 144: ~~~~~~~~
INFO voc_dataset_evaluator.py: 145: Results:
INFO voc_dataset_evaluator.py: 147: 0.407
INFO voc_dataset_evaluator.py: 147: 0.345
INFO voc_dataset_evaluator.py: 147: 0.234
INFO voc_dataset_evaluator.py: 147: 0.771
INFO voc_dataset_evaluator.py: 147: 0.448
INFO voc_dataset_evaluator.py: 147: 0.419
INFO voc_dataset_evaluator.py: 147: 0.397
INFO voc_dataset_evaluator.py: 147: 0.182
INFO voc_dataset_evaluator.py: 147: 0.568
INFO voc_dataset_evaluator.py: 147: 0.506
INFO voc_dataset_evaluator.py: 149: ~~~~~~
+mask on (40000,测25, lr=0.01，WEIGHT_DECAY＝0.00001)
INFO voc_dataset_evaluator.py: 144: AP for pedestrian = 0.4490
INFO voc_dataset_evaluator.py: 144: AP for people = 0.3275
INFO voc_dataset_evaluator.py: 144: AP for bicycle = 0.2681
INFO voc_dataset_evaluator.py: 144: AP for car = 0.7616
INFO voc_dataset_evaluator.py: 144: AP for van = 0.4760
INFO voc_dataset_evaluator.py: 144: AP for truck = 0.4568
INFO voc_dataset_evaluator.py: 144: AP for tricycle = 0.5157
INFO voc_dataset_evaluator.py: 144: AP for awning-tricycle = 0.1051
INFO voc_dataset_evaluator.py: 144: AP for bus = 0.6198
INFO voc_dataset_evaluator.py: 144: AP for motor = 0.4912
INFO voc_dataset_evaluator.py: 147: Mean AP = 0.4471
+mask on (30000,测25, lr=0.01，WEIGHT_DECAY＝0.00001)
INFO voc_dataset_evaluator.py: 144: AP for pedestrian = 0.4526
INFO voc_dataset_evaluator.py: 144: AP for people = 0.3127
INFO voc_dataset_evaluator.py: 144: AP for bicycle = 0.1926
INFO voc_dataset_evaluator.py: 144: AP for car = 0.7616
INFO voc_dataset_evaluator.py: 144: AP for van = 0.4662
INFO voc_dataset_evaluator.py: 144: AP for truck = 0.4802
INFO voc_dataset_evaluator.py: 144: AP for tricycle = 0.4538
INFO voc_dataset_evaluator.py: 144: AP for awning-tricycle = 0.2240
INFO voc_dataset_evaluator.py: 144: AP for bus = 0.6970
INFO voc_dataset_evaluator.py: 144: AP for motor = 0.4490
INFO voc_dataset_evaluator.py: 147: Mean AP = 0.4490
+mask on (20000,测25, lr=0.01，WEIGHT_DECAY＝0.00001)
INFO voc_dataset_evaluator.py: 144: AP for pedestrian = 0.4629
INFO voc_dataset_evaluator.py: 144: AP for people = 0.3280
INFO voc_dataset_evaluator.py: 144: AP for bicycle = 0.2711
INFO voc_dataset_evaluator.py: 144: AP for car = 0.7682
INFO voc_dataset_evaluator.py: 144: AP for van = 0.5189
INFO voc_dataset_evaluator.py: 144: AP for truck = 0.4190
INFO voc_dataset_evaluator.py: 144: AP for tricycle = 0.4645
INFO voc_dataset_evaluator.py: 144: AP for awning-tricycle = 0.2197
INFO voc_dataset_evaluator.py: 144: AP for bus = 0.6752
INFO voc_dataset_evaluator.py: 144: AP for motor = 0.5106
INFO voc_dataset_evaluator.py: 147: Mean AP = 0.4638
+mask on (20000,测548, lr=0.01，WEIGHT_DECAY＝0.00001)
INFO voc_dataset_evaluator.py: 144: AP for pedestrian = 0.4756
INFO voc_dataset_evaluator.py: 144: AP for people = 0.3603
INFO voc_dataset_evaluator.py: 144: AP for bicycle = 0.2444
INFO voc_dataset_evaluator.py: 144: AP for car = 0.7805
INFO voc_dataset_evaluator.py: 144: AP for van = 0.4889
INFO voc_dataset_evaluator.py: 144: AP for truck = 0.4200
INFO voc_dataset_evaluator.py: 144: AP for tricycle = 0.3882
INFO voc_dataset_evaluator.py: 144: AP for awning-tricycle = 0.2106
INFO voc_dataset_evaluator.py: 144: AP for bus = 0.6713
INFO voc_dataset_evaluator.py: 144: AP for motor = 0.4979
INFO voc_dataset_evaluator.py: 147: Mean AP = 0.4538
+mask on (50000,测548, lr=0.01，WEIGHT_DECAY＝0.00001)
INFO voc_dataset_evaluator.py: 144: AP for pedestrian = 0.4511
INFO voc_dataset_evaluator.py: 144: AP for people = 0.3418
INFO voc_dataset_evaluator.py: 144: AP for bicycle = 0.2552
INFO voc_dataset_evaluator.py: 144: AP for car = 0.7776
INFO voc_dataset_evaluator.py: 144: AP for van = 0.4749
INFO voc_dataset_evaluator.py: 144: AP for truck = 0.4285
INFO voc_dataset_evaluator.py: 144: AP for tricycle = 0.3880
INFO voc_dataset_evaluator.py: 144: AP for awning-tricycle = 0.1663
INFO voc_dataset_evaluator.py: 144: AP for bus = 0.6388
INFO voc_dataset_evaluator.py: 144: AP for motor = 0.4513
INFO voc_dataset_evaluator.py: 147: Mean AP = 0.4373
+mask on (30000,测548, lr=0.01，WEIGHT_DECAY＝0.00001)
INFO voc_dataset_evaluator.py: 144: AP for pedestrian = 0.4586
INFO voc_dataset_evaluator.py: 144: AP for people = 0.3270
INFO voc_dataset_evaluator.py: 144: AP for bicycle = 0.2106
INFO voc_dataset_evaluator.py: 144: AP for car = 0.7818
INFO voc_dataset_evaluator.py: 144: AP for van = 0.4778
INFO voc_dataset_evaluator.py: 144: AP for truck = 0.4534
INFO voc_dataset_evaluator.py: 144: AP for tricycle = 0.3711
INFO voc_dataset_evaluator.py: 144: AP for awning-tricycle = 0.1745
INFO voc_dataset_evaluator.py: 144: AP for bus = 0.6454
INFO voc_dataset_evaluator.py: 144: AP for motor = 0.4528
INFO voc_dataset_evaluator.py: 147: Mean AP = 0.4353
+mask on (40000,测548, lr=0.01，WEIGHT_DECAY＝0.00001)
INFO voc_dataset_evaluator.py: 144: AP for pedestrian = 0.4680
INFO voc_dataset_evaluator.py: 144: AP for people = 0.3339
INFO voc_dataset_evaluator.py: 144: AP for bicycle = 0.2140
INFO voc_dataset_evaluator.py: 144: AP for car = 0.7810
INFO voc_dataset_evaluator.py: 144: AP for van = 0.4537
INFO voc_dataset_evaluator.py: 144: AP for truck = 0.4579
INFO voc_dataset_evaluator.py: 144: AP for tricycle = 0.3984
INFO voc_dataset_evaluator.py: 144: AP for awning-tricycle = 0.1446
INFO voc_dataset_evaluator.py: 144: AP for bus = 0.6712
INFO voc_dataset_evaluator.py: 144: AP for motor = 0.5066
INFO voc_dataset_evaluator.py: 147: Mean AP = 0.4429