位置: IT常识 - 正文

关于yolov5的一些说明(txt文件、训练结果分析等)(yolov5 workers)

编辑:rootadmin
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:

推荐整理分享关于yolov5的一些说明(txt文件、训练结果分析等)(yolov5 workers),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:yolov5 workers,yolov5作用,yolov5简介,yolov5 workers,yolov5作用,yolov5的缺点,yolov5的优点,yolov5的缺点,内容如对您有帮助,希望把文章链接给更多的朋友!

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

关于yolov5的一些说明(txt文件、训练结果分析等)(yolov5 workers)

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!

本文链接地址:https://www.jiuchutong.com/zhishi/289013.html 转载请保留说明!

上一篇:冰上的卷羽鹈鹕,希腊凯尔基尼湖 (© Guy Edwardes/Minden Pictures)

下一篇:vue3报错:runtime-core.esm-bundler.js:38 [Vue warn]: Invalid prop: type check failed for prop “modelVal(vue错误提示)

  • 个人买车交增值税吗
  • 建筑行业有哪种职业
  • 什么情况才能开专票
  • 出口退税工作流程及内容
  • 普通发票税率1%要交税吗
  • 文化事业建设费减免政策
  • 金融企业往来支出属于什么科目
  • 公积金贷款金额少怎么办
  • 期末结转的内容
  • 作废的发票要拿出来吗
  • 利润分配的规则
  • 报销人和经办人怎么区分
  • 其他应付款无法支付规定
  • 审计报告报备
  • 教育培训机构内账会计
  • 非货物贸易核查项下
  • 电子设备税费
  • 招待费税前扣除是什么意思
  • 建筑业异地预交税款怎么入库
  • 调增收入的会计分录
  • 申报财产租赁合同印花税是在什么情况下?
  • 饭店购买厨房用具分录
  • 开增值税专用发票需要合同吗
  • 项目部管理人员及作业人员的
  • 卖桶装水税率
  • 工资薪金支出税收金额怎么算
  • 想要房贷利息抵税怎么办
  • 个体工商年报填写
  • 核销单丢失后应该怎么挂失和补录处理呢?
  • 应收账款产生的利息分录
  • 贴息收据税前扣除是什么
  • 一次性开票分期确认收入如何纳税申报
  • php的类
  • 跨境服务免征增值税申报怎么填
  • npm ERR! code E404 在vscode安装插件时报错的解决方案
  • vue怎么用elementui
  • 小微企业免税额的会计分录
  • 税务局罚款计入哪个会计科目
  • smarty怎么用
  • 百旺开票软件状态查询在哪里
  • 个体户办营业执照网上怎么申请
  • 应收账款坏账准备计提方法
  • 建筑业工会经费计提比例
  • 固定资产哪几类
  • 准则规定的内容是
  • mysql大分页优化
  • 收购固定资产账务处理
  • 产品研发项目管理 系统 国外
  • 公司过账的款项怎么入账
  • 销项税多做了怎么冲
  • 社保补缴收滞纳金吗
  • 生产经营收入总额填什么金额
  • 运输费计入什么科目里面
  • 期末调汇汇兑损益科目
  • 怎样单方面注销手机卡
  • sql server 2012r2
  • 删除 ubuntu
  • linux 下VSFTP 530 Permission denied错误的解决方法
  • win+tab键
  • mac迁移助理是什么意思啊
  • hke是什么意思
  • mac如何设置wifi热点
  • neoCopy.exe - neoCopy是什么进程 有什么用
  • Win7系统启动qq无法访问个人文件怎么解决
  • win8.1语言设置
  • 激活 win7
  • win8系统摄像头在哪里打开
  • ssh encountered 1 errors during the transfer错误3种解决方法
  • cocos lua js
  • 深入linux内核架构与底层原理 pdf
  • 批处理在windows中的典型应用
  • linux shell脚本编写1加100
  • linux命令scp和sftp详细介绍
  • jquery模拟表单提交
  • 投诉10080 48小时都没有回复
  • 三方协议暂不支持缴款
  • 税务稽查人员占税务人员比例
  • 国家税务总局2018年61号公告
  • 内蒙古国家税务总局电子税务局官网
  • 国税地位比地税高吗
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设