关于yolov5的一些简单说明(txt文件、训练结果分析等)

一、yolo中txt文件的说明：

二、yolo跑视频、图片文件的格式：

三、yolov5训练结果不好的原因：

四、yolov5训练结果（train文件）分析

总结

1. 欠拟合：

在训练集上表现很差，测试集上表现也很差的现象可能是欠拟合导致的，是因为泛化能力太强，误识别率较高解决办法：

       1）增加数据集的正样本数, 增加主要特征的样本数量

       2）增加训练次数

       3）减小正则化参数

2. 过拟合:

在训练集上表现很好，在测试集上表现很差（模型太复杂）解决办法：

        1）增加其他的特征的样本数, 重新训练网络.

        2）训练数据占总数据的比例过小，增加数据的训练量

3.  loss值不再变小就说明训练好了

1.  confusion_matrix.webp(混淆矩阵)

混淆矩阵能对分类问题的预测结果进行总结，显示了分类模型的在进行预测时会对哪一部分产生混淆。

2. F1_curve：

F1分数与置信度之间的关系。F1分数（F1-score）是分类问题的一个衡量指标，是精确率precision和召回率recall的调和平均数，最大为1，最小为0, 1是最好，0是最差

3. labels.webp

第一个图 classes:每个类别的数据量

第二个图 labels：标签

第三个图 center xy

第四个图 labels 标签的长和宽

4. labels_corrrelogram.webp 目前不知道

5. P_curve.webp :

准确率precision和置信度confidence的关系图

6. PR_curve.webp:

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

7. R_curve.webp :召回率和置信度之间的关系

8. results.webp：

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

注：以上资料、图片来自于YOLOV5官网，CSDN优秀作者以及自己训练的数据集，侵权删除。

　　本人正在学习事件相机检测等内容（小白），希望能与学习事件相机的众多大佬一起学习，共同交流！

到此这篇关于关于yolov5的一些简单说明的文章就介绍到这了,更多相关yolov5 txt文件、训练结果分析内容请搜索易知道(ezd.cc)以前的文章或继续浏览下面的相关文章希望大家以后多多支持易知道(ezd.cc)！