關於yolov5的一些簡單說明(txt檔案、訓練結果分析等)

2022-06-24 14:05:24

一、yolo中txt檔案的說明：

1. 欠擬合：

在訓練集上表現很差，測試集上表現也很差的現象可能是欠擬合導致的，是因為泛化能力太強，誤識別率較高解決辦法：

1）增加資料集的正樣本數, 增加主要特徵的樣本數量

2）增加訓練次數

3）減小正則化引數

2. 過擬合:

在訓練集上表現很好，在測試集上表現很差（模型太複雜）解決辦法：

1）增加其他的特徵的樣本數, 重新訓練網路.

2）訓練資料佔總資料的比例過小，增加資料的訓練量

3. loss值不再變小就說明訓練好了

1. confusion_matrix.png(混淆矩陣)

混淆矩陣能對分類問題的預測結果進行總結，顯示了分類模型的在進行預測時會對哪一部分產生混淆。

2. F1_curve：

F1分數與置信度之間的關係。F1分數（F1-score）是分類問題的一個衡量指標，是精確率precision和召回率recall的調和平均數，最大為1，最小為0, 1是最好，0是最差

3. labels.jpg

第一個圖 classes:每個類別的資料量

第二個圖 labels：標籤

第三個圖 center xy

第四個圖 labels 標籤的長和寬

4. labels_corrrelogram.jpg 目前不知道

5. P_curve.png :

準確率precision和置信度confidence的關係圖

6. PR_curve.png:

PR曲線中的P代表的是precision（精準率），R代表的是recall（召回率），其代表的是精準率與召回率的關係，一般情況下，將recall設定為橫座標，precision設定為縱座標。PR曲線下圍成的面積即AP，所有類別AP平均值即Map.

如果PR圖的其中的一個曲線A完全包住另一個學習器的曲線B，則可斷言A的效能優於B，當A和B發生交叉時，可以根據曲線下方的面積大小來進行比較。一般訓練結果主要觀察精度和召回率波動情況（波動不是很大則訓練效果較好）

7. R_curve.png :召回率和置信度之間的關係

8. results.png：

Box_loss：YOLO V5使用 GIOU Loss作為bounding box的損失，Box推測為GIoU損失函數均值，越小方框越準；
Objectness_loss：推測為目標檢測loss均值，越小目標檢測越準；
Classification_loss：推測為分類loss均值，越小分類越準；
Precision：精度（找對的正類/所有找到的正類）；
Recall：真實為positive的準確率，即正樣本有多少被找出來了（召回了多少）.Recall從真實結果角度出發，描述了測試集中的真實正例有多少被二分類器挑選了出來，即真實的正例有多少被該二分類器召回。
val Box_loss: 驗證集bounding box損失;
val Objectness_loss：驗證集目標檢測loss均值;
val classification_loss：驗證集分類loss均值;
mAP@.5:.95（mAP@[.5:.95]）: 表示在不同IoU閾值（從0.5到0.95，步長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：表示閾值大於0.5的平均mAP。然後觀察mAP@0.5 & mAP@0.5:0.95 評價訓練結果。mAP是用Precision和Recall作為兩軸作圖後圍成的面積，m表示平均，@後面的數表示判定iou為正負樣本的閾值，@0.5:0.95表示閾值取0.5:0.05:0.95後取均值

注：以上資料、圖片來自於YOLOV5官網，CSDN優秀作者以及自己訓練的資料集，侵權刪除。

　　本人正在學習事件相機檢測等內容（小白），希望能與學習事件相機的眾多大佬一起學習，共同交流！

到此這篇關於關於yolov5的一些簡單說明的文章就介紹到這了,更多相關yolov5 txt檔案、訓練結果分析內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！