簡介

這篇博客，主要給大家講解我們在訓練yolov5時生成的結果文件中各個圖片及其中指標的含義，幫助大家更深入的理解，以及我們在評估模型時和發(fā)表論文時主要關注的參數(shù)有那些。本文通過舉例訓練過程中的某一時間的結果來幫助大家理解，大家閱讀過程中如有任何問題可以在評論區(qū)提問出來，我會幫助大家解答。首先我們來看一個在一次訓練完成之后都能生成多少個文件如下圖所示，下面的文章講解都會圍繞這個結果文件來介紹。

評估用的數(shù)據(jù)集?

上面的訓練結果，是根據(jù)一個檢測飛機的數(shù)據(jù)集訓練得來，其中只有個標簽就是飛機，對于這種單標簽的數(shù)據(jù)集，其實我們可以將其理解為一個二分類任務，

一種情況->檢測為飛機，另一種情況->不是飛機。

結果分析?

我們可以從結果文件中看到其中共有文件22個，后9張圖片是根據(jù)我們訓練過程中的一些檢測結果圖片，用于我們可以觀察檢測結果，有哪些被檢測出來了，那些沒有被檢測出來，其不作為指標評估的文件。?????????

Weights文件夾

我們先從第一個weights文件夾來分析，其中有兩個文件，分別是best.pt、last.pt,其分別為訓練過程中的損失最低的結果和模型訓練的最后一次結果保存的模型。

?然后我來說兩個比較不重要的yaml文件，其保存了我們訓練過程中的一些參數(shù)如下->

hyp.yaml

第二個文件是args.yaml文件,其中主要保存一些我們訓練時指定的參數(shù)，內容如下所示。

lr0: 0.01
lrf: 0.01
momentum: 0.937
weight_decay: 0.0005
warmup_epochs: 3.0
warmup_momentum: 0.8
warmup_bias_lr: 0.1
box: 0.05
cls: 0.5
cls_pw: 1.0
obj: 1.0
obj_pw: 1.0
iou_t: 0.2
anchor_t: 4.0
fl_gamma: 0.0
hsv_h: 0.015
hsv_s: 0.7
hsv_v: 0.4
degrees: 0.0
translate: 0.1
scale: 0.5
shear: 0.0
perspective: 0.0
flipud: 0.0
fliplr: 0.5
mosaic: 1.0
mixup: 0.0
copy_paste: 0.0

?

opt.yaml

這個文件里面包含了我們所有的參數(shù)，上面的yaml文件只包含了訓練過程中的超參數(shù)，但是還有一些其他的參數(shù)類似于數(shù)據(jù)集的地址，權重地址，項目名稱等一系列設置性參數(shù)，內容如下->

weights: yolov5n.pt
cfg: models/yolov5n.yaml
data: Construction Site Safety.v30-raw-images_latestversion.yolov8\data.yaml
hyp:lr0: 0.01lrf: 0.01momentum: 0.937weight_decay: 0.0005warmup_epochs: 3.0warmup_momentum: 0.8warmup_bias_lr: 0.1box: 0.05cls: 0.5cls_pw: 1.0obj: 1.0obj_pw: 1.0iou_t: 0.2anchor_t: 4.0fl_gamma: 0.0hsv_h: 0.015hsv_s: 0.7hsv_v: 0.4degrees: 0.0translate: 0.1scale: 0.5shear: 0.0perspective: 0.0flipud: 0.0fliplr: 0.5mosaic: 1.0mixup: 0.0copy_paste: 0.0
epochs: 200
batch_size: 16
imgsz: 640
rect: false
resume: false
nosave: false
noval: false
noautoanchor: false
noplots: false
evolve: null
bucket: ''
cache: null
image_weights: false
device: '0'
multi_scale: false
single_cls: false
optimizer: SGD
sync_bn: false
workers: 0
project: runs\train
name: exp
exist_ok: false
quad: false
cos_lr: false
label_smoothing: 0.0
patience: 100
freeze:
- 0
save_period: -1
seed: 0
local_rank: -1
entity: null
upload_dataset: false
bbox_interval: -1
artifact_alias: latest
save_dir: runs\train\exp45

?

events.out.tfevents.1702789209.WIN-4OLTEIJCBBM.13772.0文件

這個文件是一個TensorBoard日志文件。雖然TensorBoard起初是為TensorFlow設計的，但它也可以與PyTorch一起使用，因為PyTorch有一個叫 tensorboardX 的庫，允許PyTorch生成TensorBoard兼容的事件文件。

這樣的文件用于記錄訓練過程中的各種指標，比如損失、準確率、其他統(tǒng)計數(shù)據(jù)，可以通過TensorBoard來可視化這些指標，以監(jiān)控和分析模型的訓練進度和性能。

?

混淆矩陣(ConfusionMatrix)

第三個文件就是混淆矩陣，大家都應該聽過這個名字，其是一種用于評估分類模型性能的表格形式。它以實際類別（真實值）和模型預測類別為基礎，將樣本分類結果進行統(tǒng)計和匯總。

對于二分類問題，混淆矩陣通常是一個2×2的矩陣，包括真陽性（True Positive, TP）、真陰性（True Negative, TN）、假陽性（False Positive, FP）和假陰性（False Negative, FN）四個元素。

True_Label = [1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 1 ,0, 1, 0 , 1 , 0, 0 , 1]
Predict_Label = [0, 1, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 1 ,0 , 0 , 1 , 0, 0 , 1, 0]

我們來分析這個圖，其每個格子代表的含義我在圖片上標注了出來,下面我們來拿一個例子來幫助大家來理解這個混淆矩陣。

假設我們的數(shù)據(jù)集預測為飛機標記為數(shù)字0、預測不為飛機標記為1，現(xiàn)在假設我們在模型的訓練的某一批次種預測了20次其真實結果和預測結果如下所示。?

其中True_Label代表真實的標簽，Predict_Label代表我們用模型預測的標簽。

那么我們可以進行對比產生如下分析

• 6個樣本的真實標簽和預測標簽都是0（真陰性，True Negative）。
• 1個樣本的真實標簽是0，但預測標簽是1（假陽性，False Positive）。
• 8個樣本的真實標簽是1，但預測標簽是0（假陰性，False Negative）。
• 5個樣本的真實標簽和預測標簽都是1（真陽性，True Positive）。

下面根據(jù)我們的分析結果，我們就能夠畫出這個預測的混淆矩陣，

由此我們就能得到那一批次的混淆矩陣，我們的最終結果生成的混淆矩陣可以理解為多個混淆矩陣的統(tǒng)計結果。?

計算mAP、Precision、Recall

在講解其它的圖片之前我們需要來計算三個比較重要的參數(shù)，這是其它圖片的基礎，這里的計算還是利用上面的某一批次舉例的分析結果。

1. 精確度（Precision）：預測為正的樣本中有多少是正確的，Precision = TP / (TP + FP) = 5 / (5 + 1) = 5/6 ≈ 0.833

2. 召回率（Recall）：真實為正的樣本中有多少被正確預測為正，Recall = TP / (TP + FN) = 5 / (5 + 8) ≈ 0.385

3. F1值（F1-Score）：綜合考慮精確度和召回率的指標，F1 = 2 * (Precision * Recall) / (Precision + Recall) = 2 * (0.833 * 0.385) / (0.833 + 0.385) ≈ 0.526

4. 準確度（Accuracy）：所有樣本中模型正確預測的比例，Accuracy = (TP + TN) / (TP + TN + FP + FN) = (5 + 6) / (5 + 6 + 1 + 8) ≈ 0.565

5. 平均精確度（Average Precision, AP）：用于計算不同類別的平均精確度，對于二分類問題，AP等于精確度。AP = Precision = 0.833

6. 平均精確度（Mean Average Precision, mAP）：多類別問題的平均精確度，對于二分類問題，mAP等于AP（精確度），所以mAP = AP = 0.833

這里需要講解的主要是AP和MAP如果是多分類的問題，AP和mAP怎么計算，首先我們要知道AP的全稱就是Average Precision，平均精度所以我們AP的計算公式如下？

mAP就是Mean Average Precision，計算如下，計算每一個沒別的AP進行求平均值處理就是mAP。

F1_Curve?

F1_Curve這個文件，我們點擊去的圖片的標題是F1-Confidence Curve它顯示了在不同分類閾值下的F1值變化情況。

我們可以這么理解，先看它的橫縱坐標，橫坐標是置信度，縱坐標是F1-Score，F1-Score在前面我們以及講解過了，那什么是置信度？

置信度(Confidence)->在我們模型的識別過程中會有一個概率，就是模型判定一個物體并不是百分百判定它是屬于某一個分類，它會給予它以個概率，Confidence就是我們設置一個閾值，如果超過這個概率那么就確定為某一分類，假如我模型判定一個物體由0.7的概率屬于飛機，此時我們設置的閾值如果為0.7以下那么模型就會輸出該物體為飛機，如果我們設置的閾值大于0.7那么模型就不會輸出該物體為飛機。

F1-Confidence Curve就是隨著F1-Score隨著Confience的逐漸增高而變化的一個曲線。

Labels

Labels圖片代表每個檢測到的目標的類別和邊界框信息。每個目標都由一個矩形邊界框和一個類別標簽表示，我們逆時針來看這個圖片！！！

1. 目標類別：該像素點所檢測到的目標類別，例如飛機等。
2. 目標位置：該像素點所檢測到的目標在圖像中的位置，即該像素點在圖像中的坐標。
3. 目標大小：該像素點所檢測到的目標的大小，即該像素點所覆蓋的區(qū)域的大小。
4. 其他信息：例如目標的旋轉角度等其他相關信息。

labels_correlogram

labels_correlogram是一個在機器學習領域中使用的術語，它指的是一種圖形，用于顯示目標檢測算法在訓練過程中預測標簽之間的相關性。

具體來說，labels_correlogram是一張顏色矩陣圖，它展示了訓練集數(shù)據(jù)標簽之間的相關性。它可以幫助我們理解目標檢測算法在訓練過程中的行為和表現(xiàn)，以及預測標簽之間的相互影響。

通過觀察labels_correlogram，我們可以了解到目標檢測算法在不同類別之間的區(qū)分能力，以及對于不同類別的預測精度。此外，我們還可以通過比較不同算法或不同數(shù)據(jù)集labels_correlogram，來評估算法的性能和數(shù)據(jù)集的質量。

總之，labels_correlogram是一種有用的工具，可以幫助我們更好地理解目標檢測算法在訓練過程中的行為和表現(xiàn)，以及評估算法的性能和數(shù)據(jù)集的質量。

P_curve?

這個圖的分析和F1_Curve一樣，不同的是關于的是Precision和Confidence之間的關系，可以看出我們隨著置信度的越來越高檢測的準確率按理來說是越來越高的。?

R_curve?

這個圖的分析和F1_Curve一樣，不同的是關于的是Recall和Confidence之間的關系，可以看出我們隨著置信度的越來越高召回率的準確率按理來說是越來越低的。?

PR_curve

它顯示了在不同分類閾值下模型的精確度（Precision）和召回率（Recall）之間的關系。

PR曲線越靠近坐標軸的左上角，模型性能越好，越能夠正確識別正樣本，正確分類正樣本的Precision值越高，而靠近右側則說明模型對正樣本的識別能力較差，即召回能力較差。

PR曲線的特點是隨著分類閾值的變化，精確度和召回率會有相應的改變。通常情況下，當分類模型能夠同時保持較高的精確度和較高的召回率時，PR曲線處于較高的位置。當模型偏向于高精確度或高召回率時，曲線則相應地向低精確度或低召回率的方向移動。

PR曲線可以幫助我們評估模型在不同閾值下的性能，并選擇適當?shù)拈撝祦砥胶饩_度和召回率。對于模型比較或選擇，我們可以通過比較PR曲線下方的面積（稱為平均精確度均值，Average Precision, AP）來進行定量評估。AP值越大，模型的性能越好。

總結：PR曲線是一種展示分類模型精確度和召回率之間關系的可視化工具，通過繪制精確度-召回率曲線，我們可以評估和比較模型在不同分類閾值下的性能，并計算平均精確度均值（AP）來定量衡量模型的好壞。

results.csv

results.csv記錄了一些我們訓練過程中的參數(shù)信息，包括損失和學習率等，這里沒有什么需要理解大家可以看一看，我們后面的results圖片就是根據(jù)這個文件繪畫出來的。

results

這個圖片就是生成結果的最后一個了，我們可以看出其中標注了許多小的圖片包括訓練過程在的各種損失，我們主要看的其實就是后面的四幅圖mAP50、mAP50-95、metrics/precision、metrics/recall四張圖片。?

1. mAP50：mAP是mean Average Precision的縮寫，表示在多個類別上的平均精度。mAP50表示在50%的IoU閾值下的mAP值。
2. mAP50-95：這是一個更嚴格的評價指標，它計算了在50-95%的IoU閾值范圍內的mAP值，然后取平均。這能夠更準確地評估模型在不同IoU閾值下的性能。
3. metrics/precision：精度（Precision）是評估模型預測正確的正樣本的比例。在目標檢測中，如果模型預測的邊界框與真實的邊界框重合，則認為預測正確。
4. metrics/recall：召回率（Recall）是評估模型能夠找出所有真實正樣本的比例。在目標檢測中，如果真實的邊界框與預測的邊界框重合，則認為該樣本被正確召回。

檢測效果圖

最后的十四張圖片就是檢測效果圖了，給大家看一下這里沒什么好講解的了。

其它參數(shù)

FPS和IoU是目標檢測領域中使用的兩個重要指標，分別表示每秒處理的圖片數(shù)量和交并比。

1. FPS：全稱為Frames Per Second，即每秒幀率。它用于評估模型在給定硬件上的處理速度，即每秒可以處理的圖片數(shù)量。該指標對于實現(xiàn)實時檢測非常重要，因為只有處理速度快，才能滿足實時檢測的需求(推理速度有關系等于nms時間 +預處理時間 然后用1000除以這三個數(shù)就是fps，現(xiàn)在輕量化提高FPS是一個比較流行的發(fā)論文方向且比較簡單一些)。
2. IoU：全稱為Intersection over Union，表示交并比。在目標檢測中，它用于衡量模型生成的候選框與原標記框之間的重疊程度。IoU值越大，表示兩個框之間的相似性越高。通常，當IoU值大于0.5時，認為可以檢測到目標物體。這個指標常用于評估模型在特定數(shù)據(jù)集上的檢測準確度。

在目標檢測領域中，處理速度和準確度是兩個重要的性能指標。在實際應用中，我們需要根據(jù)具體需求來平衡這兩個指標。

總結?

到此為止本篇博客就完結了，大家如果有什么不理解的可以在評論區(qū)留言，我看到了會給大家進行解答，大家通過綜合考慮這些指標的數(shù)值，可以評估YOLOv8模型在目標檢測任務中的準確性、召回率、速度和邊界框質量等性能表現(xiàn)。根據(jù)具體需求，我們可以選擇更適合任務場景的模型和參數(shù)配置。

最后祝大家學習順利，科研成功，多多論文！！