yolov5-runs文件中对train结果的说明
1、weights
训练所得权重
2、confusion_matrix
混淆矩阵
列代表预测的类别,行代表实际的类别。其对角线上的值表示预测正确的数量比例,非对角线元素则是预测错误的部分。混淆矩阵的对角线值越高越好,这表明许多预测是正确的。
3、F1_curve
F1得分与置信度关系
x轴为置信度,y轴为F1得分
4、hyp.yaml
训练相关超参数
5、labels
一共四张图
左一:每个类别的数据量
右一:labels的 bounding_box
左二:labels的中心点坐标
右二:labels的矩阵宽高
6、labels_correlogram
labels的中心点x,y和矩阵宽高w,h
顶端对角线上:各自的分布直方图
其余位置:相互之间的分布情况
7、opt.yaml
最优参数
8、P_curve
准确率与置信度关系
9、PR_curve
PR曲线中的P代表的是precision(精准率),R代表的是recall(召回率),其代表的是精准率与召回率的关系,一般情况下,将recall设置为横坐标,precision设置为纵坐标。PR曲线下围成的面积即AP,所有类别AP平均值即Map.
如果PR图的其中的一个曲线A完全包住另一个学习器的曲线B,则可断言A的性能优于B,当A和B发生交叉时,可以根据曲线下方的面积大小来进行比较。一般训练结果主要观察精度和召回率波动情况(波动不是很大则训练效果较好)
Precision和Recall往往是一对矛盾的性能度量指标;
提高Precision == 提高二分类器预测正例门槛 == 使得二分类器预测的正例尽可能是真实正例;
提高Recall == 降低二分类器预测正例门槛 == 使得二分类器尽可能将真实的正例挑选
10、R_curve
召回率和置信度之间的关系
11、results.csv
每一次迭代对应的
- train/box_loss, train/obj_loss, train/cls_loss
- metrics/precision,metrics/recall,metrics/mAP_0.5,metrics/mAP_0.5:0.95
- val/box_loss, val/obj_loss,val/cls_loss,x/lr0, x/lr1, x/lr2
12、results
- Box_loss:YOLO V5使用 GIOU Loss作为bounding box的损失,Box推测为GIoU损失函数均值,越小方框越准;
- Objectness_loss:推测为目标检测loss均值,越小目标检测越准;
- Classification_loss:推测为分类loss均值,越小分类越准;
- Precision:精度(找对的正类/所有找到的正类);
- Recall:真实为positive的准确率,即正样本有多少被找出来了(召回了多少).Recall从真实结果角度出发,描述了测试集中的真实正例有多少被二分类器挑选了出来,即真实的正例有多少被该二分类器召回。
- val Box_loss: 验证集bounding box损失;
- val Objectness_loss:验证集目标检测loss均值;
- val classification_loss:验证集分类loss均值;
- mAP@.5:.95(mAP@[.5:.95]): 表示在不同IoU阈值(从0.5到0.95,步长0.05)(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)上的平均mAP。mAP@.5:表示阈值大于0.5的平均mAP。然后观察mAP@0.5 & mAP@0.5:0.95 评价训练结果。mAP是用Precision和Recall作为两轴作图后围成的面积,m表示平均,@后面的数表示判定iou为正负样本的阈值,@0.5:0.95表示阈值取0.5:0.05:0.95后取均值
部分参考:
https://blog.csdn.net/weixin_44570845/article/details/121337026
https://github.com/ultralytics/yolov5/issues/5138
yolov5-runs文件中对train结果的说明相关推荐
- YoLoV5学习(5)-- Train.py 程序文件与yolov5s模型文件讲解
本篇博客主要是对于train文件以及yolov5s.yaml文件进行讲解,yolov5代码虽然一直有在更新但整体的框架基本相似. 1.Usage 该部分是作者的一个说明. 第一行表示我们传入的data ...
- tensorflow中将标注文件写到train.txt, test.txt,trainval.txt中
tensorflow中对于标注好的文件以及图片在训练之前会将其打散然后分成训练用的,测试用的,验证用的: 以下代码就是干这事~ import os import randomtrainval_perc ...
- YOLOv5在建筑工地中安全帽佩戴检测的应用
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 一.YOLO v5训练自己数据集教程 1.1 创建自己的数据集配置 ...
- 最强干货实践教程 | YOLOv5在建筑工地中安全帽佩戴检测的应用
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要15分钟 Follow小博主,每天更新前沿干货 教程来自:https://github.com/PeterH0323/Smart_Constr ...
- YOLOv5在建筑工地中安全帽佩戴检测的应用(已开源+数据集)
前言 Amusi 发现一个很棒的开源项目,利用YOLOv5进行目标检测的"落地化"应用:安全帽佩戴检测. 该项目使用了YOLOv5s.YOLOv5m.YOLOv5l来训练安全帽佩戴 ...
- 干货 | YOLOv5在建筑工地中安全帽佩戴检测的应用
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 仅作学术分享,不代表本公众号立场,侵权联系删除 转载于:https://github.com/PeterH0323/ ...
- 深度学习项目中在yaml文件中定义配置,以及使用的python的PyYAML库包读取解析yaml配置文件
文章目录: 1 yaml说明介绍 1.1 yaml介绍 1.2 YAML 相关网址 2 YAML的python包PyYAML的使用 2.1 关于PyYAML的相关网址 2.2 安装PyYAML 2.3 ...
- 如何用python和pip安装在txt文件中配置好版本的库包
如何用python和pip安装在txt文件中配置好版本的库包 文章目录: 一.建立库包版本的txt配置文件 二.安装txt配置文件中的库包 有时候你自己用python实现一个项目,然后想把它在gith ...
- TensorFlow数据读取机制:文件队列 tf.train.slice_input_producer和 tf.data.Dataset机制
TensorFlow数据读取机制:文件队列 tf.train.slice_input_producer和tf.data.Dataset机制 之前写了一篇博客,关于<Tensorflow生成自己的 ...
最新文章
- 了解机器学习回归的3种最常见的损失函数
- Linux下eclipse及mysql安装,c++访问mysql数据库
- 1.使用C++封装一个链表类LinkList
- 《SAS编程与数据挖掘商业案例》学习笔记之十八
- UVa 11059 Maximum Product
- SRV记录注册不成功的可能的原因
- 手动安装vue-devtools
- cuda11.0 cudnn 11.0 torch1.7.1+cu110 torchvision 0.8.2+cu110 安装包
- 160508Junit使用
- cximage函数总结
- 全国idc 机房大全
- 杂项-公司:Apple
- matlab——非线性规划
- 使用setkey手工配置IPSec
- 优化无止境,爱奇艺中后台 Web 应用性能优化实践
- php排版word文档试卷,用word做试卷的排版
- 吴军给女儿的信:乐观的人生态度,比什么都重要
- java月份简写_Java如何以(MMM)格式显示一个月份的名称?
- vue 日期选择器禁止点击今日之前的日期
- 深入理解LightGBM