关于yolov5的一些简单说明(txt文件、训练结果分析等)

 更新时间:2022年06月24日 10:06:50   作者:Faster--YOLO  
使用YOLOV5训练数据之后我们需要一些评判标准来告诉我们所训练的效果究竟如何,下面这篇文章主要给大家介绍了关于yolov5的一些简单说明,主要是txt文件、训练结果分析等的相关资料,需要的朋友可以参考下

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:

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

四、yolov5训练结果(train文件)分析

1.  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.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

4. labels_corrrelogram.jpg 目前不知道

5. P_curve.png :

准确率precision和置信度confidence的关系图

6. 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

7. R_curve.png :召回率和置信度之间的关系

8. 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

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!

总结

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得牛网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得牛网!

相关文章

  • Python机器学习NLP自然语言处理基本操作新闻分类

    Python机器学习NLP自然语言处理基本操作新闻分类

    本文是Python机器学习NLP自然语言处理系列文章,开始我们自然语言处理 (NLP) 的学习旅程. 本文主要学习NLP自然语言处理基本操作新闻分类
    2021-09-09
  • Python Excel处理库openpyxl使用详解

    Python Excel处理库openpyxl使用详解

    openpyxl是一个第三方库,可以处理xlsx格式的Excel文件。这篇文章主要介绍了Python Excel处理库openpyxl使用详解,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2019-05-05
  • 解决python中使用plot画图,图不显示的问题

    解决python中使用plot画图,图不显示的问题

    今天小编就为大家分享一篇解决python中使用plot画图,图不显示的问题,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-07-07
  • python操作MySQL数据库的方法分享

    python操作MySQL数据库的方法分享

    坚持每天学一点,每天积累一点点,作为自己每天的业余收获,这个文章是我在吃饭的期间写的,利用自己零散的时间学了一下python操作MYSQL,所以整理一下
    2012-05-05
  • Python基于百度API识别并提取图片中文字

    Python基于百度API识别并提取图片中文字

    本文主要实现了利用百度 AI 开发平台的 OCR 文字识别 API 识别并提取图片中的文字。具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2021-06-06
  • python 计算积分图和haar特征的实例代码

    python 计算积分图和haar特征的实例代码

    今天小编就为大家分享一篇python 计算积分图和haar特征的实例代码,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2019-11-11
  • python+appium+yaml移动端自动化测试框架实现详解

    python+appium+yaml移动端自动化测试框架实现详解

    这篇文章主要介绍了python+appium+yaml移动端自动化测试框架实现详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2020-11-11
  • 详解使用python的logging模块在stdout输出的两种方法

    详解使用python的logging模块在stdout输出的两种方法

    这篇文章主要介绍了详解使用python的logging模块在stdout输出的相关资料,需要的朋友可以参考下
    2017-05-05
  • 使用Python制作一盏 3D 花灯喜迎元宵佳节

    使用Python制作一盏 3D 花灯喜迎元宵佳节

    这篇文章主要介绍了用Python制作一盏 3D 花灯喜迎元宵佳节,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
    2021-02-02
  • Python中22个万用公式的小结

    Python中22个万用公式的小结

    在大家的日常python程序的编写过程中,都会有自己解决某个问题的解决办法,或者是在程序的调试过程中,用来帮助调试的程序公式,本文总结了22个万用公式,感兴趣的可以了解一下
    2021-07-07

最新评论