关于yolov5的一些说明(txt文件、训练结果分析等)
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:
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:
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)
7. R_curve.png :召回率和置信度之间的关系
8. results.png:
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!
来源:Faster–YOLO