yolov5训练结果分析

confusion_matrix.png(混淆矩阵)

混淆矩阵能对分类问题的预测结果进行总结,显示了分类模型在进行与测时对哪一部分回产生混淆。

F1_curve.png

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。

labels.jpg

  • 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

P_curve.png

准确率precision和置信度configdence的关系图

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.

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

R_curve.png

召回率和置信度之间的关系

results.png

  • 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。

评论

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×