Skip to content

TRAINING_E300_FULL.md

Latest commit

 

History

History
53 lines (40 loc) · 2.78 KB

TRAINING_E300_FULL.md

File metadata and controls

53 lines (40 loc) · 2.78 KB
Raw

固定300轮、无早停实验

实验设置

  • 四条路线、四折受试者独立划分，共16次训练。
  • 每次训练固定运行300轮，总计4800个epoch，不触发早停。
  • 每轮继续计算验证集 Balanced Accuracy，指标创新高时覆盖保存 best.pt。
  • 训练结束后回载 best.pt，再计算验证集和内部测试集指标。
  • 其余超参数保持不变：batch size 16、AdamW、学习率3e-4、weight decay 1e-3、dropout 0.5、CosineAnnealingLR T_max=300、AMP。
  • 前三条路线耗时约46分钟，新增 RTMPose + CTR-GCN 约21分钟；使用NVIDIA RTX 4060 Laptop GPU。

最优epoch

路线 Fold 1 Fold 2 Fold 3 Fold 4
RTMPose + ST-GCN++ 59 12 15 6
RTMPose + CTR-GCN 154 22 134 113
YOLO-Pose + ST-GCN++ 91 15 100 8
YOLO-Pose + CTR-GCN 40 6 76 185

全部 history.csv 均包含300轮。最优epoch跨度为6～185，说明固定15轮耐心值会在部分折中过早结束，但后期新高并不一定改善未知受试者测试结果。

四折合并内部测试结果

路线 Accuracy Precision Recall Specificity F1 Balanced Accuracy
RTMPose + ST-GCN++ 86.88% 89.19% 83.54% 90.12% 86.27% 86.83%
RTMPose + CTR-GCN 83.13% 81.71% 84.81% 81.48% 83.23% 83.15%
YOLO-Pose + ST-GCN++ 77.50% 75.90% 79.75% 75.31% 77.78% 77.53%
YOLO-Pose + CTR-GCN 78.75% 76.47% 82.28% 75.31% 79.27% 78.79%

三种训练制度对比

以下均为四折合并测试集 Balanced Accuracy：

路线 80轮上限+早停 300轮上限+早停 固定300轮
RTMPose + ST-GCN++ 86.83% 85.58% 86.83%
RTMPose + CTR-GCN — — 83.15%
YOLO-Pose + ST-GCN++ 78.81% 79.41% 77.53%
YOLO-Pose + CTR-GCN 77.57% 76.96% 78.79%

新增的 RTMPose + CTR-GCN 达到83.15%，排名第二，明显优于两个YOLO-Pose组合，但仍低于 RTMPose + ST-GCN++ 的86.83%。这说明在本数据上姿态提取器的影响大于两种图卷积骨干之间的差异。完整曲线显示训练损失通常在前几十轮快速下降，此后验证指标长期震荡；因此工程训练仍建议保留早停，但应把耐心值从15提高到约30～50，或配合更稳定的学习率策略，而不是常规跑满300轮。

结果文件

  • results/benchmark_e300_full/rtmpose_stgcnpp/learning_curves.png
  • results/benchmark_e300_full/rtmpose_ctrgcn/learning_curves.png
  • results/benchmark_e300_full/yolo_stgcnpp/learning_curves.png
  • results/benchmark_e300_full/yolo_ctrgcn/learning_curves.png
  • results/benchmark_e300_full/learning_curve_comparison.png
  • results/benchmark_e300_full/training_summary.csv
  • results/benchmark_e300_full_summary.csv