解读YOLOV5的runs文件

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。这时，YOLOV5给出了一个文件解决我们的问题。该文件在直接生成为runs文件，可理解记录一些运行时的日志信息。

confusion_matrix.png(混淆矩阵)

作为一种特定的二维矩阵，列代表预测的类别，行代表实际的类别。其对角线上的值表示预测正确的数量比例，非对角线元素则是预测错误的部分。混淆矩阵的对角线值越高越好，这表明许多预测是正确的。

上图是对是否戴口罩进行训练，有图可以看出 将一个图片分为了三个部分，分别是戴口罩，不戴口罩和background FP。该图在每列上进行归一化处理。则可以看出戴口罩预测正确的概率为85%。不带口罩预测正确的概率为70%。

F1_curve：

F1分数与置信度（x轴）之间的关系。F1分数是分类的一个衡量标准，是精确率和召回率的调和平均函数，介于0，1之间。越大越好。

需要知道精确率和号回率是什么首先需要知道四值：TP,FN,FP,TN。

TP：真实为真，预测为真；

FN：真实为真，预测为假；

FP：真实为假，预测为真；

TN：真实为假，预测为假；

精确率（precision）=TP/(TP+FP)

召回率(Recall)=TP/(TP+FN)

F1=2*（精确率*召回率）/（精确率+召回率）

labels_correlogram

相关图是一组二维直方图，显示数据的每个轴与其他轴之间的对比。图像中的标签位于 xywh 空间。

 labels（由真实标注所得）

（1，1）表示每个类别的数据量

（1，2）真实标注的 bounding_box

（2，1） 真实标注的中心点坐标

（2，2）真实标注的矩阵宽高

 P_curve

表示准确率与置信度的关系图线，横坐标置信度。

由下图可以看出置信度越高，准确率越高。

 PR_curve

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。

有前面的式子分析，我们最希望的结果必然是召回率与预测率均为一。但是很显然在训练时无法达到这种期望。所以在训练时我们需要根据不同需要了解是要求P高还是R高。P-R曲线下围成的面积为AP(Average precision) 即平均精确度。一般而言AP值越大则性能越好。关于AP的计算除了积分之外也可参考：AP与mAP的详解_micro wen的博客-CSDN博客_ap和map

  R_curve

召回率与置信度之间关系，具体参照 P_curve。

results.png

 （1，1），（2，1）：YOLOV5使用GIOU Loss作为bounding box的损失函数。该图分别表示训练时和验证时GlOU损失函数的均值，越小方框越准。

（1，2），（2，2）：推测为目标检测loss均值，越小目标越准。

（2，4），（2，5）：表示在不同IoU阈值时计算每一类中所有图片的AP然后所有类别求取均值。

mAP_0.5:0.95表示从0.5到0.95以0.05的步长上的平均mAP.

本片内容主要参考：关于yolov5的一些说明（txt文件、训练结果分析等）_Faster--YOLO的博客-CSDN博客_yolov5训练结果分析

同时结合了一些自己的训练结果和想法，如果由建议或者错误欢迎指出。另外，最近需要学习rknn,但是一直没有头绪，希望大神帮帮忙！！！