yolov5训练自己的数据集,yolov5结构解析
使用yolov5训练数据后，我们需要一些评估标准来告诉我们训练效果如何。下面文章主要介绍一些关于YOLOV5的简单讲解，主要是txt文件等相关资料和训练结果分析。有需要的可以参考一下。
00-1010一、yolo: II中txt文件的描述。yolo运行视频和图片文件的格式：III。yolov5训练成绩差的原因：四。yolov5培训结果的分析和总结(培训档案)
目录
一、yolo中txt文件的说明：
二、yolo跑视频、图片文件的格式：
1. 欠拟合：
在训练集上表现差，在测试集上表现差，可能是欠拟合造成的，因为泛化能力太强，误识率高。解决方案：
1)增加数据集的正样本数和主要特征的样本数。
2)增加培训次数
3)减少正则化参数
2. 过拟合：
在训练集上表现良好，在测试集上表现不佳(模型过于复杂)解决方案：
1)增加其他特征的样本数，重新训练网络。
2)训练数据占总数据的比例太小，增加了训练数据量。
3. loss值不再变小就说明训练好了
三、yolov5训练结果不好的原因：
1. confusion_matrix.png(混淆矩阵)
混淆矩阵可以总结分类问题的预测结果，显示预测时分类模型的哪一部分会被混淆。
2. F1_curve：
F1成绩与信心的关系。F1评分(F1-score)是对分类问题的一种度量，是精度和召回率的调和平均值，最高为1，最低为0，1是最好，0是最差.
3. labels.jpg
第一个数字类别：每个类别的数据量
第二张图片标签:标签
第三个图形中心xy
图4标签的长度和宽度
4. labels_corrrelogram.jpg 目前不知道
5. P_curve.png :
准确度和置信度之间的关系图
6. PR_curve.png:
PR曲线中的P代表的是precision（精准率）和R代表的是recall（召回率）代表了精确率和召回率之间的关系。一般情况下，召回率设为横坐标，精度设为纵坐标。PR曲线下围起来的面积就是AP，所有类型AP的平均值就是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相交时，它们可以根据曲线下的面积进行比较。训练结果一般主要观察精度和召回率的波动(如果波动不大，训练效果更好)。
精度和召回率往往是一对矛盾的性能指标；提高精度==提高两个分类器预测的正例阈值==使两个分类器预测的正例尽可能真实；提高召回率==降低两个分类器预测正例的阈值==使两个分类器尽可能选择真实的正例作为7. R_curve.png :召回率和置信度之间的关系。
8. results.png：
Box _ loss: YOLOV5使用GIOU Loss作为包围盒的损失，Box假定为GIOU损失函数的平均值。盒子越小，越精确。Objectness_loss:假定为目标检测损失的平均值，目标检测越小越准确；Classification_loss:假定为分类损失的平均值，分类越小越准确；Precision: precision(右正规类/所有找到的正规类)；召回率：真阳性的准确率，即已经查出多少个阳性样本(召回了多少)。召回从真实结果的角度描述了测试集中有多少真正例被二元分类器选中，即有多少真正例被二元分类器召回。Val Box_loss:验证设置包围盒丢失；Val Objectness_loss:验证集中目标检测损失的平均值；Val classification_loss:验证集分类损失的平均值；MAP @ . 5:95(MAP @[. 5:95])3360表示在不同的IoU阈值下(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 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是以Precision和Recall为两个轴画图围成的区域，M代表平均值，@下面的数字代表判断iou为正负样本的阈值，@0.5:0.95代表阈值0.533600.0533600.95，然后取平均值。注：以上信息及图片均来自YOLOV5官网、CSDN优秀作者及自身训练数据集，侵权删除。
本人正在学习事件摄像机检测(小白)，希望能和很多学习事件摄像机的大佬学习交流！
四、yolov5训练结果（train文件）分析
关于yolov5的一些简单说明，这篇文章就到这里了。更多相关yolov5 txt文件及培训结果分析，请搜索热门IT软件开发工作室往期文章或继续浏览下方相关文章。希望大家以后多多支持热门的IT软件开发工作室！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。