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