PaddleX在模型训练、评估过程中，都会有相应的日志和指标反馈，本文档用于说明这些日志和指标的含义。
PaddleX所有模型在训练过程中，输出的日志信息都包含了6个通用的统计信息，用于辅助用户进行模型训练，例如分割模型的训练日志，如下图所示。
各字段含义如下:
| 字段 | 字段值示例 | 含义 |
|---|---|---|
| Epoch | Epoch=4/20 | [迭代轮数]所有训练数据会被训练20轮，当前处于第4轮 |
| Step | Step=62/66 | [迭代步数]所有训练数据被训练一轮所需要的迭代步数为66，当前处于第62步 |
| loss | loss=0.007226 | [损失函数值]参与当前迭代步数的训练样本的平均损失函数值loss，loss值越低，表明模型在训练集上拟合的效果越好(如上日志中第1行表示第4个epoch的第62个Batch的loss值为0.007226) |
| lr | lr=0.008215 | [学习率]当前模型迭代过程中的学习率 |
| time_each_step | time_each_step=0.41s | [每步迭代时间]训练过程计算得到的每步迭代平均用时 |
| eta | eta=0:9:44 | [剩余时间]模型训练完成所需剩余时间预估为0小时9分钟44秒 |
不同模型的日志中除了上述通用字段外，还有其它字段，这些字段含义可见文档后面对各任务模型的描述。
PaddleX所有模型在训练过程中会根据用户设定的save_interval_epochs参数，每间隔一定轮数进行评估和保存。例如分类模型的评估日志，如下图所示。
上图中第1行表明验证数据集中样本数为240，需要迭代8步才能评估完所有验证数据；第5行用于表明第2轮的模型已经完成保存操作；第6行则表明当前保存的模型中，第2轮的模型在验证集上指标最优（分类任务看acc1，此时acc1值为0.258333），最优模型会保存在best_model目录中。
分类任务的训练日志除了通用统计信息外，还包括acc1和acc5两个特有字段。
注： acck准确率是针对一张图片进行计算的：把模型在各个类别上的预测得分按从高往低进行排序，取出前k个预测类别，若这k个预测类别包含了真值类，则认为该图片分类正确。
上图中第1行中的acc1表示参与当前迭代步数的训练样本的平均top1准确率，值越高代表模型越优；acc5表示参与当前迭代步数的训练样本的平均top5（若类别数n少于5，则为topn）准确率，值越高代表模型越优。第4行中的loss表示整个训练集的平均损失函数值，acc1表示整个训练集的平均top1准确率，acc5表示整个训练集的平均top5准确率。
上图中第3行中的acc1表示整个验证集的平均top1准确率，acc5表示整个验证集的平均top5准确率。
YOLOv3/PPYOLO/PPYOLOv2/PPYOLOTiny的训练日志除了通用统计信息外（见上文训练通用统计信息），还包括loss_xy、loss_wh、loss_obj、loss_cls，这些字段的含义如下:
| 字段 | 含义 |
|---|---|
| loss_xy | 检测框位置损失函数值 |
| loss_wh | 检测框尺寸损失函数值 |
| loss_obj | 检测框置信度损失函数值 |
| loss_cls | 检测框类别损失函数值 |
| loss | 所有子网络损失函数值之和 |
上图中第5行loss表示整个训练集的平均损失函数loss值。
FasterRCNN的训练日志除了通用统计信息外，还包括loss_rpn_cls、loss_rpn_reg、loss_bbox_cls和loss_bbox_reg，这些字段的含义如下:
| 字段 | 含义 |
|---|---|
| loss_rpn_cls | RPN子网络中分类损失函数值 |
| loss_rpn_reg | RPN子网络中检测框回归损失函数值 |
| loss_bbox_cls | RCNN子网络中分类损失函数值 |
| loss_bbox_reg | RCNN子网络中检测框回归损失函数值 |
| loss | 所有子网络损失函数值之和 |
上图中第1行loss, loss_rpn_cls、loss_rpn_reg、loss_bbox_cls、loss_bbox_reg都是参与当前迭代步数的训练样本的损失值，而第7行是针整个训练集的损失函数值。
MaskRCNN的训练日志除了通用统计信息外，还包括loss_mask、loss_rpn_cls、loss_rpn_reg、loss_bbox_cls和loss_bbox_reg，这些字段的含义如下:
| 字段 | 含义 |
|---|---|
| loss_mask | RCNN子网络中Mask回归损失函数值 |
| loss_rpn_cls | RPN子网络中分类损失函数值 |
| loss_rpn_reg | RPN子网络中检测框回归损失函数值 |
| loss_bbox_cls | RCNN子网络中分类损失函数值 |
| loss_bbox_reg | RCNN子网络中检测框回归损失函数值 |
| loss | 所有子网络损失函数值之和 |
上图中第1行loss, loss_mask、loss_rpn_cls、loss_rpn_reg、loss_bbox_cls loss_bbox_reg都是参与当前迭代步数的训练样本的损失值，而第7行是针整个训练集的损失函数值。
检测可以使用两种评估标准：VOC评估标准和COCO评估标准。
注：
map为平均准确率的平均值，即IoU(Intersection Over Union)取0.5时各个类别的准确率-召回率曲线下面积的平均值。
上图中第3行bbox_map表示检测任务中整个验证集上检测框的平均准确率的平均值。
注：COCO评估指标可参见COCO官网解释。PaddleX主要反馈
mmAP，即AP at IoU=.50:.05:.95这项指标，为在各个IoU阈值下平均准确率平均值（mAP）的平均值。
COCO格式的数据集不仅可以用于训练目标检测模型，也可以用于训练实例分割模型。在目标检测中，PaddleX主要反馈针对检测框的bbox_mmAP指标；在实例分割中，还包括针对Mask的seg_mmAP指标。如下所示，第一张日志截图为目标检测的评估结果，第二张日志截图为实例分割的评估结果。
上图中红框标注的bbox_mmap表示整个验证集上检测框的平均准确率平均值（mAP）的平均值。
上图中红框标注的bbox_mmap和seg_mmap分别表示整个验证集上检测框的平均准确率平均值（mAP）的平均值、Mask的平均准确率平均值（mAP）的平均值。
语义分割的训练日志只包括训练通用统计信息（见上文训练通用统计信息）。
语义分割的评估日志包括了miou、category_iou、oacc、category_acc、kappa，category_F1-score这些字段的含义如下：
| 字段 | 含义 |
|---|---|
| miou | 各类IoU(Intersection Over Union)的平均值 |
| category_iou | 各类别的IoU |
| oacc | 整体准确率，即预测正确的像素数/总像素数 |
| category_acc | 各类别的准确率，即各类别预测正确的像素数/预测为该类别的总像素数 |
| kappa | kappa系数，用于一致性检验 |
| category_F1-score | 各类别的F1-score, F1-score为2*(准确率*召回率)/(准确率+召回率)，其中召回率为各类别预测正确的像素数/该类别的总像素数 |
