YOLO数据训练效果评估

YOLO数据训练效果评估

YOLOv5训练结果生成文件：

1、weights

保存了网络模型训练过程中的权重参数信息。
一般保存两个：best.pt和last.pt。best.pt一般作为模型推理的权重参数配置文件。

2、confusion_matrix.png

混淆矩阵

混淆矩阵将数据集中的数据按照真实类别与分类模型预测的类别判断两个标准进行汇总。
行坐标轴表示真实类别，列坐标轴代表推理类别
以上面混淆矩阵为例：
TP（True Positive）:钢筋经过推理分类为钢筋；
FP（False Positive）:背景经过推理分类为钢筋；
TN（True Negative）:钢筋经过推理分类为背景；
FN（False Negative）:背景经过推理分类为背景：
因此，模型的精确率和召回率的计算方法可以表达成：
精确率Precision=TP/(TP+FP)
召回率Recall=TP/(TP+FN)

3、labels.jpg

左上：钢筋数据集中钢筋类别标注量
左下：钢筋数据标注框中心坐标
右上：钢筋数据集标注框
右下：钢筋数据标注框长宽比例

4、labels_correlogram.jpg

5、F1_curve.png

F1=2precisionrecall/(precision+recall)
f1=2TP/(2TP+FP+FN)
F1分数，是指精确率和召回率的调和平均数，取值范围0~1；数值越接近1，对应的Confidence推理效果越好；上图中300epooch的数据训练，0.7至0.9的置信区间的模型推理效果越好。

6、hyp.yaml

参照以下注释图片

7、opt.yaml

钢筋数据模型训练参数设置记录

8、P_curve.png

当置信度达到0.823时，模型推理准确度达到1

置信度和精确率成正比；
期望精确率越高越好

9、R_curve.png

模型置信阈值小于0.8时，获得最大的召回率，

置信度和召回率成反比；
期望召回率越高越好

10、PR_curve.png

精确率和召回率二者并不能同时满足（召回率和精确率成反比）,因此根据应用需求，需要选择是注重精确率还是召回率。

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；及一个的值越高另一个就低一点；
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

11、result.csv

训练批次、训练集边界框损失、训练集目标检测损失、训练集分类损失、精确率、召回率、mAP_0.5、mAP_0.5:0.95 、验证集边界框损失、验证集目标检测损失、验证集分类损失、

12、results.png

train/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；
train/obj_loss：推测为目标检测loss均值，越小目标检测越准；
train/cls_loss：推测为分类loss均值，越小分类越准；单类检测，此值为0
precision：精确率（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/obj_loss：验证集目标检测loss均值
val/cls_loss：验证集分类loss均值
mAP_0.5表示用Precision和Recall作为两轴作图后围成的面积，m表示平均，数字0.5表示判定iou为正负样本的阈值，mAP_0.5:0.95表示阈值取0.5:0.05:0.95后取均值。

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），然后观察[email protected] & [email protected]:0.95 评价训练结果。