1                  、weights

训练所得权重

2
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
、confusion_matrix

混淆矩阵

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

 


 


 


 


 


 


 


 


。

3
















、F1_curve

F1得分与置信度关系

x轴为置信度  
  
  
  
  
  
  
  
  ，y轴为F1得分

4  
  
  
  
  
  
  
  
  、hyp.yaml

训练相关超参数

5 
  
  
  
  
  
  
  
  
、labels

一共四张图

左一：每个类别的数据量

右一：labels的 bounding_box

左二：labels的中心点坐标

右二：labels的矩阵宽高

6


 


 


 


 


 


 


 


 

、labels_correlogram

labels的中心点x,y和矩阵宽高w,h

顶端对角线上：各自的分布直方图

其余位置：相互之间的分布情况

7 
 
 
 
 
 
 
 
 、opt.yaml

最优参数

8  
   
   
   
   
   
   
   
   
、P_curve

准确率与置信度关系

9

 

 

 

 

 

 

 

 
、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 
 
 
 
 
 
 
 
 ，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

10
 

 

 

 

 

 

 

 

 、R_curve

召回率和置信度之间的关系

11                 、results.csv

每一次迭代对应的

train/box_loss, train/obj_loss, train/cls_loss metrics/precision,metrics/recall,metrics/mAP_0.5,metrics/mAP_0.5:0.95 val/box_loss, val/obj_loss,val/cls_loss,x/lr0, x/lr1, x/lr2

12
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 
、results

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

部分参考：

https://blog.csdn.net/weixin_44570845/article/details/121337026

https://github.com/ultralytics/yolov5/issues/5138