yolov5训练结果解析

yolov5训练结果的文件解析

1、weights训练好的模型，一般使用best.pt去进行推理
2、confusion_matrix.png

混淆矩阵以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其中矩阵的行表示真实值，矩阵的列表示预测值。

TP（True Positive）: 将正类预测为正类数 即正确预测，真实为0，预测也为0

FN （False Negative）：将正类预测为负类 即错误预测，真实为0，预测为1

FP（False Positive）：将负类预测为正类数 即错误预测， 真实为1，预测为0

TN （True Negative）：将负类预测为负类数，即正确预测，真实为1，预测也为1

精确率和召回率：

精确率Precision=TP / (TP+FP), 在预测是Positive所有结果中，预测正确的比重
召回率recall=TP / (TP+FN), 在真实值为Positive的所有结果中，预测正确的比重

3、F1_curve.png
精确率和召回率的调和平均数，最大为1，最小为0。
F1-Score的值是从0到1的，1是最好，0是最差。


说明在置信度为0.4-0.6区间内得到比较好的F1分数
4、hyp.yaml和opt.yaml
训练时的超参数以及train.py中间的参数
5、P_curve.png
准确率precision和置信度confidence的关系图

6、PR_curve.png

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.
7、R_curve.png
召回率recall和置信度confidence之间的关系
8、results.png

Box：Box推测为GIoU损失函数均值，越小方框越准；
Objectness：推测为目标检测loss均值，越小目标检测越准；
Classification：推测为分类loss均值，越小分类越准，本实验为一类所以为0；
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: 验证集bounding box损失
val Objectness：验证集目标检测loss均值
val classification：验证集分类loss均值，本实验为一类所以为0
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。
[email protected]:.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。
[email protected]：表示阈值大于0.5的平均mAP

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）
观察mAP@0.5 & mAP@0.5:0.95 评价训练结果。
9、results.txt
训练次数、GPU消耗、训练集边界框损失、训练集目标检测损失、训练集分类损失、训练集总损失、targets目标、输入图片大小、Precision、Recall、[email protected]、[email protected]:.95、验证集边界框损失、验证集目标检测损失、验证机分类损失

10、train_batchx
我设置的batch_size为16，所以一次读,16张图片
11、test_batchx_labels
验证集第一轮的实际标签
12、运行tensorboard

activate yolov7(自己所配的环境名称)
tensorboard --logdir=训练结果所在的文件夹