yolov4输出结果（YOLOv3&YOLOv5输出结果说明）
本文使用的yolov3和yolov5工程文件均为github上ultralytics基于pytorch的v3和v5代码 ，其训练集输出结果类型基本一致 ，主要介绍了其输出结果 ，本文是一篇学习笔记
本文使用的yolov3代码github下载地址：yolov3
模型训练具体步骤可查看此篇博客：
yolov3模型训练——使用yolov3训练自己的模型本文使用的yolov5代码github下载地址：yolov5
模型训练具体步骤可查看此篇博客：
yolov5模型训练———使用yolov5训练自己的数据集yolov3模型训练输出结果如下图所示：
yolov5模型训练输出结果如下图所示：
（这版的v3和v5输出结果类型看起来是一模一样 ，我用的同一个数据集进行的训练 ，所以输出的可视化结果也非常相似 ，v5在服务器上的结果截图没有保存 ，这里用了windows下的视图）
1. confusion_matrix.png
confusion_matrix.png指的是混淆矩阵（Confusion Matrix）
在机器学习领域 ，混淆矩阵（Confusion Matrix） ，又称为可能性矩阵或错误矩阵 。混淆矩阵是可视化工具 ，特别用于监督学习 ，在无监督学习一般叫做匹配矩阵 。在图像精度评价中 ，主要用于比较分类结果和实际测得值 ，可以把分类结果的精度显示在一个混淆矩阵里面 。
混淆矩阵的每一列代表了预测类别 ，每一列的总数表示预测为该类别的数据的数目；
每一行代表了数据的真实归属类别 ，每一行的数据总数表示该类别的数据实例的数目；每一列中的数值表示真实数据被预测为该类的数目 。混淆矩阵结构如下图所示：
2. F1_curve.png
F1_Score：数学定义为 F1分数（F1-Score） ，又称为平衡F分数（Balanced Score） ，它被定义为正确率和召回率的调和平均数 。在 β=1 的情况 ，F1-Score的取值范围为0到1 ，1是最好 ，0是最差 。其计算公式如下图所示：
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. P_curve.png
精确率Precision和置信度confidence的关系图
5. 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（精准率）表示分类器检测为正确正样本占所有预测为正样本的百分比 ，即在当前遍历的预测框中 ，检测到正确目标预测框所占的比例 。其公式如下图所示：
Recall（召回率）表示分类器检测为正确正样本占所有正样本的百分比 ，即在所有的真值边界框中 ，检测到正确正样本边界框所占的比例 。其公式如下图所示：
Precision和Recall一般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6. R_curve.png
召回率Recall和置信度confidence之间的关系
7. results.png
（1）yolov3与yolov5的损失函数可以分为三部分：类别损失函数（Classification loss） 、置信度损失函数（Confidence loss）和位置损失函数（Localization loss）
Box_loss
：Box为CIoU损失函数均值 ，越小方框越准；
Objectness_loss：Objectness为目标检测损失均值 ，越小目标检测越准；
Classification_loss：Classification为分类损失均值 ，越小分类越准；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;（2）
Precision：精确率随训练次数的变化曲线
Recall：召回率随训练次数的变化曲线（3）AP值是衡量目标检测模型分类器性能优劣的重要评估指标 ，AP值越大则分类器性能越好 ，越小则分类器性能越差；AP值的大小等于P-R曲线与坐标轴围成区域的面积 。
mAP表示所有标签类别AP值的平均值 ，mAP值越大 ，说明模型性能越好 。mAP@0.5
：表示在IoU阈值为0.5时的mAP值变化曲线
mAP@0.5:0.95：表示在IoU阈值以0.05的步长从0.5到0.95变化时的mAP值变化曲线 ，即IoU阈值取0.5 、0.55 、0.6 、0.65 、0.7 、0.75 、0.8 、0.85 、0.9 、0.95时的平均mAP 。8. results.txt
results.txt中最后三列是验证集结果 ，前面的是训练集结果 ，全部列分别是：
训练次数 ，GPU消耗 ，边界框损失 ，目标检测损失 ，分类损失 ，total ，targets ，图片大小 ，P ，R ，mAP@.5, mAP@.5:.95, 验证集val Box, 验证集val obj, 验证集val clstest_batch0_labels等图片是模型训练输出的可视化结果 ，不再赘述~
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！