本文训练了50轮安全帽检测数据集    
    
    
    
，分析训练结果如下：

检测精度 检测速度 Precision;Recall;F1_score 前传耗时 IOU交并比 FPS每秒帧数 P-R曲线 flops浮点运算数量 AP;mAP

检测精度

混淆矩阵confusion_matrix 用来查看机器是不是把几个不同的类混淆了 


     


     


     


     ，比如把一个类当成另一个类
    
    
    
    
。 矩阵的x轴横坐标代表真实类别

 




 




 




 



，y轴纵坐标代表预测类别     


     


     


     


。矩阵中的每个值Aij表示第j类被预测为第i类的概率 




 




 




 




 。 理想情况：除background外其余形成对角矩阵

   

   

   

   
。 P&R&P-R&F1_curve 准确率Precision：（检测的准不准确）检测的效果好不好   

   

   

   

，检测到的区域是不是都为正确区域     

     

     

     

。P=TP/TP+FP 理想值：1 召回率Recall：（检测的全不全面）该检测到的区域是不是都检测到了  




  




  




  




 。R=TP/TP+FN；FN是该检测到但是没有检测出的区域


  


  


  


  
。 理想值：1 P_curve：准确率和置信度的关系图

该图描述随着置信度阈值的增加  

     

     

     

    ，P值的变化；置信度设为某一数值的时候


  




  




  




  


，各个类别识别的准确率     
     
     
     
。

R_curve：召回率和置信度的关系

当设置置信度为某一数值的时候  


  


  


  


，各个类别的查全的概率   




   




   




   




 。

PR_curve

精度和召回率的关系图   
     
     
     
   ，而是是有些矛盾存在的



 



 



 



 
。精度越高



   




   




   




   

，召回率越低 



 



 



 



，理想情况是(1,1)点                     ，即在准确度很高的情况下




    




    




    




    
，尽可能检测到全部的类别                    。二者围成的面积就是mAP值



















，mAP面积越接近于1                     ，效果越好    




    




    




    




 。

F1_curve

F1-score是分类问题的一个衡量指标




















。是精确率和召回率的调和平均数



     



     



     



     ，最大为1




















，最小为0                    。 F1_score=2*P*R/P+R

Labels:

第一个图是训练集的数据量    
    
    
    
，每个类别有多少个

第二个是框的尺寸和数量

第三个是center点的位置     



     



     



     



 。

第四个是labeld的高宽



















。可以看出头部一般相比于整个图片比较小 


     


     


     


     ，所以看到样本大多分布在（0-0.2

 




 




 




 



，0-0.2）

4. result.png

Loss function:损失函数越小越好   

   

   

   

，描述模型的预测值和真实值不一样的程度
    
    
    
    
。极大程度上决定了模型的性能     


     


     


     


。 定位损失box_loss:预测框与真实框之间的误差（GIOU） 置信度损失obj_loss: 类别损失cls_loss:计算锚框与对应的标定框类别是否一致 mAP@0.5:0.95:表示在不同的IOU阈值（从0.5到0.95  

     

     

     

    ，步长为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@0.5：表示阈值大于0.5的平均mAP

检测速度

前传耗时(ms)：从输入一张图像到输出最终结果所消耗的时间


  




  




  




  


，包括前处理耗时(如图像归一化)



 



 



 



 
、网络前传耗时                    、后处理耗时(如非极大值抑制)

   

   

   

   
。 每秒帧数FPS (Frames Per Second)： 每秒钟能处理的图像数量  


  


  


  


，越高越好     

     

     

     

。 浮点运算量(FLOPS)：处理一张图像所需要的浮点运算数量,跟具体软硬件没有关系   
     
     
     
   ，可以公平地比较不同算法之间的检测速度  




  




  




  




 。

参考： YOLO-V5训练结果的分析与评价：https://blog.csdn.net/weixin_45751396/article/details/126726120