赞
踩
这篇博客, 主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义 ,帮助大家更深入的理解,以及我们在评估模型时和发表论文时主要关注的参数有那些。
这个训练结果是基于VisDrone2019-DET数据集进行检测训练得到的。VisDrone2019-DET是一个广泛用于无人机图像目标检测的标准数据集,它包含了各种复杂的场景和目标,包括行人、车辆、自行车等。训练过程中,我们使用了该数据集的图像和标注信息,采用了深度学习的目标检测模型来进行训练。
我们可以从结果文件中看到其中 共有文件24个 ,后12张图片是根据我们训练过程中的一些检测结果图片,用于我们可以观察检测结果,有哪些被检测出来了,那些没有被检测出来,其不作为指标评估的文件。
我们先从第一个weights文件夹来分析,其中有两个文件,分别是 best.pt、last.pt ,其分别为训练过程中的损失最低的结果和模型训练的最后一次结果保存的模型。
第二个文件是args.yaml文件,其中主要保存一些我们训练时指定的参数,内容如下所示。
task: detect mode: train model: ultralytics/cfg/models/v8/yolov8-SPDConv.yaml data: ultralytics/cfg/dataset/VisDrone.yaml epochs: 240 time: null patience: 50 batch: 4 imgsz: 640 save: true save_period: -1 cache: false device: 1 workers: 8 project: VisDrone name: yolov8-SPDConv exist_ok: false pretrained: true optimizer: auto verbose: true seed: 0 deterministic: true single_cls: false rect: false cos_lr: false close_mosaic: 10 resume: false amp: true fraction: 1.0 profile: false freeze: null multi_scale: false overlap_mask: true mask_ratio: 4 dropout: 0.0 val: true split: val save_json: false save_hybrid: false conf: null iou: 0.7 max_det: 300 half: false dnn: false plots: true source: null vid_stride: 1 stream_buffer: false visualize: false augment: false agnostic_nms: false classes: null retina_masks: false embed: null show: false save_frames: false save_txt: false save_conf: false save_crop: false show_labels: true show_conf: true show_boxes: true line_width: null format: torchscript keras: false optimize: false int8: false dynamic: false simplify: false opset: null workspace: 4 nms: false 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: 7.5 cls: 0.5 dfl: 1.5 pose: 12.0 kobj: 1.0 label_smoothing: 0.0 nbs: 64 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 auto_augment: randaugment erasing: 0.4 crop_fraction: 1.0 cfg: null tracker: botsort.yaml save_dir: VisDrone/yolov8-SPDConv
第三个文件就是混淆矩阵,大家都应该听过这个名字,其是一种用于评估分类模型性能的表格形式。它以实际类别(真实值)和模型预测类别为基础,将样本分类结果进行统计和汇总。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。