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：

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

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！