yoloV5_results

训练完成后会生成一个exp的文件夹

weights

best.pt和last.pt，最好的和最后一次的，做detect是用best

confusion——matrix.png

混淆矩阵

event.out

未知

F1_curve.png

置信度和F1曲线的关系，x轴为置信度，y轴为F1得分

hyp.yaml

训练相关超参数

labels.jpg

左一：每个类别的数据量 （只有一个类别 右一：labels的 bounding_box
左二：labels的中心点坐标
右二：labels的矩阵宽高

labels_correlogram.jpg

比较复杂，看不懂，别人的解释如下： labels的中心点x,y和矩阵宽高w,h
顶端对角线上：各自的分布直方图
其余位置：相互之间的分布情况

opt.yaml

最优参数

P_curve.png

准确率与置信度的关系

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.csv

每一次迭代对应的

train/box_loss, train/obj_loss, train/cls_loss metrics/precision,metrics/recall,metrics/mAP_0.5,metrics/mAP_0.5:0.95 val/box_loss, val/obj_loss,val/cls_loss,x/lr0, x/lr1, x/lr2

result.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

参考文章：https://blog.csdn.net/qq_45305490/article/details/125219937 https://blog.csdn.net/XiaoGShou/article/details/118274900