一、yolo中txt文件的說(shuō)明：

二、yolo跑視頻、圖片文件的格式：

三、yolov5訓(xùn)練結(jié)果不好的原因：

1. 欠擬合：

在訓(xùn)練集上表現(xiàn)很差，測(cè)試集上表現(xiàn)也很差的現(xiàn)象可能是欠擬合導(dǎo)致的，是因?yàn)榉夯芰μ珡?qiáng)，誤識(shí)別率較高解決辦法：

       1）增加數(shù)據(jù)集的正樣本數(shù), 增加主要特征的樣本數(shù)量

       2）增加訓(xùn)練次數(shù)

       3）減小正則化參數(shù)

2. 過(guò)擬合:

在訓(xùn)練集上表現(xiàn)很好，在測(cè)試集上表現(xiàn)很差（模型太復(fù)雜）解決辦法：

        1）增加其他的特征的樣本數(shù), 重新訓(xùn)練網(wǎng)絡(luò).

        2）訓(xùn)練數(shù)據(jù)占總數(shù)據(jù)的比例過(guò)小，增加數(shù)據(jù)的訓(xùn)練量

3.  loss值不再變小就說(shuō)明訓(xùn)練好了

四、yolov5訓(xùn)練結(jié)果（train文件）分析

1.  confusion_matrix.png(混淆矩陣)

混淆矩陣能對(duì)分類問(wèn)題的預(yù)測(cè)結(jié)果進(jìn)行總結(jié)，顯示了分類模型的在進(jìn)行預(yù)測(cè)時(shí)會(huì)對(duì)哪一部分產(chǎn)生混淆。

2. F1_curve：

F1分?jǐn)?shù)與置信度之間的關(guān)系。F1分?jǐn)?shù)（F1-score）是分類問(wèn)題的一個(gè)衡量指標(biāo)，是精確率precision和召回率recall的調(diào)和平均數(shù)，最大為1，最小為0, 1是最好，0是最差

3. labels.jpg

第一個(gè)圖 classes:每個(gè)類別的數(shù)據(jù)量

第二個(gè)圖 labels：標(biāo)簽

第三個(gè)圖 center xy

第四個(gè)圖 labels 標(biāo)簽的長(zhǎng)和寬

4. labels_corrrelogram.jpg 目前不知道

5. P_curve.png :

準(zhǔn)確率precision和置信度confidence的關(guān)系圖

6. PR_curve.png:

PR曲線中的P代表的是precision（精準(zhǔn)率），R代表的是recall（召回率），其代表的是精準(zhǔn)率與召回率的關(guān)系，一般情況下，將recall設(shè)置為橫坐標(biāo)，precision設(shè)置為縱坐標(biāo)。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(gè)曲線A完全包住另一個(gè)學(xué)習(xí)器的曲線B，則可斷言A的性能優(yōu)于B，當(dāng)A和B發(fā)生交叉時(shí)，可以根據(jù)曲線下方的面積大小來(lái)進(jìn)行比較。一般訓(xùn)練結(jié)果主要觀察精度和召回率波動(dòng)情況（波動(dòng)不是很大則訓(xùn)練效果較好）

• Precision和Recall往往是一對(duì)矛盾的性能度量指標(biāo)；
• 提高Precision == 提高二分類器預(yù)測(cè)正例門檻 == 使得二分類器預(yù)測(cè)的正例盡可能是真實(shí)正例；
• 提高Recall == 降低二分類器預(yù)測(cè)正例門檻 == 使得二分類器盡可能將真實(shí)的正例挑選

7. R_curve.png :召回率和置信度之間的關(guān)系

8. results.png：

• Box_loss：YOLO V5使用 GIOU Loss作為bounding box的損失，Box推測(cè)為GIoU損失函數(shù)均值，越小方框越準(zhǔn)；
• Objectness_loss：推測(cè)為目標(biāo)檢測(cè)loss均值，越小目標(biāo)檢測(cè)越準(zhǔn)；
• Classification_loss：推測(cè)為分類loss均值，越小分類越準(zhǔn)；
• Precision：精度（找對(duì)的正類/所有找到的正類）；
• Recall：真實(shí)為positive的準(zhǔn)確率，即正樣本有多少被找出來(lái)了（召回了多少）.Recall從真實(shí)結(jié)果角度出發(fā)，描述了測(cè)試集中的真實(shí)正例有多少被二分類器挑選了出來(lái)，即真實(shí)的正例有多少被該二分類器召回。
• val Box_loss: 驗(yàn)證集bounding box損失;
• val Objectness_loss：驗(yàn)證集目標(biāo)檢測(cè)loss均值;
• val classification_loss：驗(yàn)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(zhǎng)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(píng)價(jià)訓(xùn)練結(jié)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(shù)表示判定iou為正負(fù)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(lái)自于YOLOV5官網(wǎng)，CSDN優(yōu)秀作者以及自己訓(xùn)練的數(shù)據(jù)集，侵權(quán)刪除。

　　本人正在學(xué)習(xí)事件相機(jī)檢測(cè)等內(nèi)容（小白），希望能與學(xué)習(xí)事件相機(jī)的眾多大佬一起學(xué)習(xí)，共同交流！

總結(jié)

到此這篇關(guān)于關(guān)于yolov5的一些簡(jiǎn)單說(shuō)明的文章就介紹到這了,更多相關(guān)yolov5 txt文件、訓(xùn)練結(jié)果分析內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論