yolo训练之训练结果评估环节_ppyolo2的预测结果在哪

在yolo中，怎么知道自己已经训练的怎么样了呢？自然是希望把训练过程中的loss等数据可视化一下，这篇文章中，我们主要就介绍一下这些。

1.记录终端信息到文件

首先在训练开始的时候需要把终端信息记录到文件，我这里使用的命令是| tee train_log.txt ，可参考：Linux中记录终端（Terminal）输出到文本文件 。我们会得到这样一个文本文件：

2. python数据处理

下面我们就可以用python对其进行处理了，这里我写了两个jupyter notebook，第一个可视化了loss，第二个可视化了iou。

#### **A.可视化loss**

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
1
2
3
4

result = pd.read_csv('trainlog.txt', skiprows=[x for x in range(60000) if x%10!=9] ,error_bad_lines=False, names=['loss', 'avg', 'rate', 'seconds', 'images'])
result.head()
1
2

result['loss']=result['loss'].str.split(' ').str.get(1)
result['avg']=result['avg'].str.split(' ').str.get(1)
result['rate']=result['rate'].str.split(' ').str.get(1)
result['seconds']=result['seconds'].str.split(' ').str.get(1)
result['images']=result['images'].str.split(' ').str.get(1)
result.head()
result.tail()
1
2
3
4
5
6
7

# print(result.head())
# print(result.tail())
# print(result.dtypes)
1
2
3

result['loss']=pd.to_numeric(result['loss'])
result['avg']=pd.to_numeric(result['avg'])
result['rate']=pd.to_numeric(result['rate'])
result['seconds']=pd.to_numeric(result['seconds'])
result['images']=pd.to_numeric(result['images'])
result.dtypes
1
2
3
4
5
6

loss float64 avg float64 rate float64 seconds float64 images int64 dtype: object

result['loss'].plot()
1

p=result['avg'].plot()
1

 图

result['avg'].values
1

array([ 121.201286, 120.707092, 117.853683, …, 0.917204, 0.912142, 0.928035])

fig = plt.figure();
ax = fig.add_subplot(1, 1, 1)
ax.plot(result['avg'].values,label='avg_loss')
ax.legend(loc='best')
ax.set_title('The loss curves')
ax.set_xlabel('batches')
fig.savefig('avg_loss')
1
2
3
4
5
6
7

 图 #### **B.可视化IOU**

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
1
2
3
4

result = pd.read_csv('trainlog.txt', skiprows=[x for x in range(500000) if x%10==9 or x%10==0] ,error_bad_lines=False, names=['Detection Avg IOU', 'Pos Cat', 'All Cat', 'Pos Obj', 'Any Obj', 'count'])
result.head()
1
2

result['Detection Avg IOU']=result['Detection Avg IOU'].str.split(': ').str.get(1)
result['Pos Cat']=result['Pos Cat'].str.split(': ').str.get(1)
result['All Cat']=result['All Cat'].str.split(': ').str.get(1)
result['Pos Obj']=result['Pos Obj'].str.split(': ').str.get(1)
result['Any Obj']=result['Any Obj'].str.split(': ').str.get(1)
result['count']=result['count'].str.split(': ').str.get(1)
result.head()
1
2
3
4
5
6
7

result['Detection Avg IOU']=pd.to_numeric(result['Detection Avg IOU'])
result['Pos Cat']=pd.to_numeric(result['Pos Cat'])
result['All Cat']=pd.to_numeric(result['All Cat'])
result['Pos Obj']=pd.to_numeric(result['Pos Obj'])
result['Any Obj']=pd.to_numeric(result['Any Obj'])
result['count']=pd.to_numeric(result['count'])
result.dtypes
1
2
3
4
5
6
7

Detection Avg IOU    float64
Pos Cat              float64
All Cat              float64
Pos Obj              float64
Any Obj              float64
count                  int64
dtype: object
1
2
3
4
5
6
7

result['Detection Avg IOU'].plot()
1

<matplotlib.axes._subplots.AxesSubplot at 0x7f4cdc6691d0>
1

result['Pos Cat'].plot()
1

<matplotlib.axes._subplots.AxesSubplot at 0x7f4cdc66c390>
1

3. 看看结果至少还是符合趋势的，哈哈