[LAB 20 · 尺度跨度与两对象匹配](/course/notebooks/9315996660f54e92847770355b648f9e.html)

# 已完成的基准运行
[独立阅读](/course/notebook-blocks/3cdc52c2a4254fcebc30f166d5043b8f.html)
按问题继续

步幅占格、两对象排列、分类/位置/IoU联合匹配代价

## 已完成的基准运行

以下是本轮本地独立 Python 进程的实际标准输出，云端执行另行记录。

```
cost matrix [[5.0971, 0.4509], [0.4779, 5.6026]] assignment costs {'(0, 1)': np.float64(10.699705077879926), '(1, 0)': np.float64(0.9288002118875242)} selected (1, 0)
stride 4 target span 4.0 cells
stride 8 target span 2.0 cells
stride 16 target span 1.0 cells
stride 32 target span 0.5 cells
with 3 predictions/2 targets, unmatched slot needs no-object classification, not an invented third target

```

本例左侧预测实际上来自slot1，因此交叉匹配便宜。只交换预测slot顺序，最小总成本应保持；固定按索引配对则会改变损失。若只有一个预测正确，匹配仍会选最低成本，但这并不意味着两物体均被成功检测。框损失、分类损失与评价是不同对象。[DETR官方matcher](https://github.com/facebookresearch/detr/blob/main/models/matcher.py)可对照这里的教学成本；LAB10展示从真实图像得到候选的前半条链。