一、yolo中txt文件的說明：

二、yolo跑視頻、圖片文件的格式：

三、yolov5訓練結果不好的原因：

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）增加數據集的正樣本數, 增加主要特征的樣本數量

       2）增加訓練次數

       3）減小正則化參數

2. 過擬合:

在訓練集上表現很好，在測試集上表現很差（模型太復雜）解決辦法：

        1）增加其他的特征的樣本數, 重新訓練網絡.

        2）訓練數據占總數據的比例過小，增加數據的訓練量

3.  loss值不再變小就說明訓練好了

四、yolov5訓練結果（train文件）分析

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系。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:每個類別的數據量

第二個圖 labels：標簽

第三個圖 center xy

第四個圖 labels 標簽的長和寬

4. labels_corrrelogram.jpg 目前不知道

5. P_curve.png :

準確率precision和置信度confidence的關系圖

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系，一般情況下，將recall設置為橫坐標，precision設置為縱坐標。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的性能優(yōu)于B，當A和B發(fā)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）

• Precision和Recall往往是一對矛盾的性能度量指標；
• 提高Precision == 提高二分類器預測正例門檻 == 使得二分類器預測的正例盡可能是真實正例；
• 提高Recall == 降低二分類器預測正例門檻 == 使得二分類器盡可能將真實的正例挑選

7. R_curve.png :召回率和置信度之間的關系

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(fā)，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：表示閾值大于0.5的平均mAP。然后觀察mAP@0.5 & mAP@0.5:0.95 評價訓練結果。mAP是用Precision和Recall作為兩軸作圖后圍成的面積，m表示平均，@后面的數表示判定iou為正負樣本的閾值，@0.5:0.95表示閾值取0.5:0.05:0.95后取均值

注：以上資料、圖片來自于YOLOV5官網，CSDN優(yōu)秀作者以及自己訓練的數據集，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！

總結

到此這篇關于關于yolov5的一些簡單說明的文章就介紹到這了,更多相關yolov5 txt文件、訓練結果分析內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論