关于调超参

[huchenjie339]

对你们的网络进行小改，比如说，给某层特征加个注意力这种情况，需要自己重新调超参数吗？还是可以直接使用你们提供的超参数？还有一个问题，就是之前跑你们Siamcar的时候，总共跑了20个epoch，日志文件也显示成功跑了20个epoch，但是最终只保留保存了19个参数文件（checkpoint_e1.pth-checkpoint_e19.pth），没有第20个参数文件。这是为什么呢？希望作者帮忙解答下，谢谢。 @twotwo2 @ohhhyeahhh

[twotwo2]

1.建议在我们提供的超参数值附近搜索，找一个最优超参； 2.当训练总数据可被batch_size整除时，不能保存第20轮的模型，这是我们代码存在的一个小问题，后期会加以优化。现阶段可以通过调整batch_size的方式，保存第20轮的模型。

[huchenjie339]

@twotwo2 非常感谢作者的回复，另外最近复现SiamCAR结果的时候遇到了点问题，在COCO,ImageNet VID,ImageNet DET,Y ouTube-BB四个数据集上训练，然后在OTB100数据集上test和eval，最终得出的结果比你给的结果成功率要低4个多点。但我最近在看你们SiamGAT的论文时，发现你们在训练uav123和got10k的模型时，除了上诉的四个数据集还多了 个got10k数据。所以我想问下，在SiamCAR上测试OTB10和UAV123时，是不是也是基于上诉五个数据集训练的模型？希望作者帮忙解答下。

[mrlihellohorld]

您好，请问在多人复杂的场景中只跟踪指定某个人的脸部，您测试过吗？结果如何？

[ghostbreaken]

@twotwo2 非常感谢作者的回复，另外最近复现SiamCAR结果的时候遇到了点问题，在COCO,ImageNet VID,ImageNet DET,Y ouTube-BB四个数据集上训练，然后在OTB100数据集上test和eval，最终得出的结果比你给的结果成功率要低4个多点。但我最近在看你们SiamGAT的论文时，发现你们在训练uav123和got10k的模型时，除了上诉的四个数据集还多了 个got10k数据。所以我想问下，在SiamCAR上测试OTB10和UAV123时，是不是也是基于上诉五个数据集训练的模型？希望作者帮忙解答下。

你好，这个问题解决了嘛？

[twotwo2]

@huchenjie339 @ghostbreaken 是的，SiamCAR上测试OTB10和UAV123的general_model extract code: lw7w , 是也是基于上诉五个数据集训练的。训练otb_uav123_model时，我们发现加入got10k使训练样本更加丰富之后，在otb100和uav123测试集上跟踪器能获得更好的表现，关于训练集的样本划分可参照SiamGAT中的配置文件 配置文件。

[ghostbreaken]

@huchenjie339 @ghostbreaken 是的，SiamCAR上测试OTB10和UAV123的general_model extract code: lw7w , 是也是基于上诉五个数据集训练的。训练otb_uav123_model时，我们发现加入got10k使训练样本更加丰富之后，在otb100和uav123测试集上跟踪器能获得更好的表现，关于训练集的样本划分可参照SiamGAT中的配置文件 配置文件。

作者，你好，非常感谢你的回复，我用了5个数据集训练，加上了got，但是OTB100结果相比论文还是差2个点，用的是checkpoint11-20测试的。配置和github代码一样，想问一下，这是为什么呢？期待你的回复

[dhy1222]

@huchenjie339 @ghostbreaken 是的，SiamCAR上测试OTB10和UAV123的general_model extract code: lw7w , 是也是基于上诉五个数据集训练的。训练otb_uav123_model时，我们发现加入got10k使训练样本更加丰富之后，在otb100和uav123测试集上跟踪器能获得更好的表现，关于训练集的样本划分可参照SiamGAT中的配置文件 配置文件。

作者，你好，非常感谢你的回复，我用了5个数据集训练，加上了got，但是OTB100结果相比论文还是差2个点，用的是checkpoint11-20测试的。配置和github代码一样，想问一下，这是为什么呢？期待你的回复

你好，请问你这个问题解决了吗