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 cls

test_batch0_labels等图片是模型训练输出的可视化结果  
     
     
     
 ，不再赘述~