
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

1.5 labels

labels图片代表每个检测到的目标的类别和边界框信息。

1、第一个图是训练集的数据量，每个类别数；

2、第二个图是框的尺寸和数量；

3、第三个图是中心点相对于整幅图的位置；

4、第四个图是目标相对于整幅图的高宽比例；

1.6 labels_corrlogram

含义：指的是一种图形，用于显示目标检测算法在训练过程中预测标签之间的相关性。

作用：体现中心点横纵坐标以及框的高度间的关系

表示中心点坐标x、y，以及框的高宽之间的关系。每行的最后一幅图代表的是x，y，宽和高的分布情况；

1、第一行的图表明中心点横坐标x的分布情况，可以看到大部分集中在整幅图的中心位置；

2、第二行的图表明中心点纵坐标y与横坐标x，y的分布情况

3、第三行的图表明框的宽与横坐标x，y和款的宽的分布情况

4、第四行的图表明框的高与横坐标x，y和框的宽、高的分布情况

1.7 opt.yaml

包含了数据集路径、权重路径，项目名称等一系列设置性参数


weights: yolov5s.pt
cfg: /root/yolov5-7.0/models/yolov5s_tls.yaml
data: /root/yolov5-7.0/data/traffic_lights.yaml
hyp:
  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
epochs: 100
batch_size: 128
imgsz: 640
rect: false
resume: false
nosave: false
noval: false
noautoanchor: false
noplots: false
evolve: null
bucket: ''
cache: null
image_weights: false
device: ''
multi_scale: false
single_cls: false
optimizer: SGD
sync_bn: false
workers: 8
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/exp3

1.8 P_curve

准确率（Precision）与置信度（confidence）之间的关系图

1.9 R_curve

召回率（Recall）和置信度（Confidence）之间的关系

1.10 PR_curve

PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。PR曲线下围成的面积即AP，所有类别AP平均值即mAP

1.11 result.csv

全部列从左往右依次为：训练轮数、训练集边界框损失、训练集置信度损失、训练集分类损失、精确率、召回率、均值平均精度mAP@0.5、均值平均精度mAP@0.5：0.95、验证集边界框损失、验证集目标检测损失、验证集分类损失、学习率

1.12events.out.tfevents.1714616288.autodl-container-bbd74aba75-e1ff89fb.2194.0

TensorBoard日志文件，用于记录训练过程中的各种指标，比如损失、准确率、其他统计数据，可以通过TensorBoard来可视化这些指标，以监控和分析模型的训练进度和性能。

1.13 result.png

（1）边界框损失（box_loss）：预测框与标定框之间的误差，越小定位得越准；

（2）置信度损失（obj_loss）：目标检测loss均值，越小判定目标的能力越准；

（3）分类损失（cls_loss）：计算锚框与对应的标定分类是否正确，越小分类越准；

（4）mAP@0.5:0.95（mAP@[0.5:0.95]）表示在不同IoU阈值（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、0.9、0.95）上的平均mAP；

（5）mAP@0.5：表示阈值大于0.5的平均mAP

1.14 train_batchx

用于训练模型性能的标签：是YOLOv5模型训练集的图片，其中x表示训练集的批次编号。train_batchx中每个图片都有一个对应的标签，用于描述图像中的目标的位置和类别信息。

1.15 val_batchx_labels

验证集第x轮的实际标签：指验证集中一个batch的真实标签和框的信息，其中x为batch的编号。这些信息通常包括每个样本的分类标签和相应的边界框坐标。

1.16 val_batchx_pred

验证集第x轮的预测标签：指验证集中一个batch的预测标签和框的信息，其中x为batch的编号。这些信息通常包括每个样本的分类标签和相应的边界框坐标。

二、评价指标mAP

2.1 影响mAP因素

（1）模型的复杂度

模型的复杂度越高，模型对数据集的拟合能力越强，模型在测试数据集上的性能也会越好。然而，模型过于复杂会导致模型训练时间过长，从而降低模型性能

（2）数据集的大小

数据集越大，模型的性能越好。然而，数据集过大，模型的训练时间会增加，从而降低模型性能

（3）超参数选择

超参数的选择会影响模型的拟合能力，从而影响模型在测试数据集上的性能

2.2 优化mAP方法

（1）数据增强

通过对训练集加噪声、改变亮度、裁剪、平移、旋转、镜像、cutout等方法，增加样本量，从而提高模型的鲁棒性和泛化能力

（2）主干网络替换

使用更加先进的模型结构，如ResNet、MobileNet等对模型进行改进，如增加层数、减小学习率

（4）特征融合的替换

更换特征融合结构，如BiFPN、AFPN、EVC等，增加小目标层（适合小目标较多的数据集）

（5）添加注意力机制

在特征提取、池化层、特征融合部分添加注意力机制，如SE、CBAM等

（6）损失函数

选择合适的损失函数，如Focal Loss、EIoU Loss等，让模型关注难以识别的样本，提高模型的精度

（7）NMS和激化函数

三、其他评价指标

3.1 FPS

FPS（每秒帧率）：用于评估模型在给定硬件上的处理速度，即每秒可以处理的图片数量。该指标对于实现实时检测非常重要，因为只有处理速度快，才能满足实时检测的需求。简单来理解就是图像的刷新频率，也就是每秒多少帧，假设目标检测网络处理1帧要0.02s，此时FPS就是1/0.02=50。（轻量化提高FPS是发论文比较流行的一个方向）

FPS计算问题

（1）参数配置：

data为自己数据集对应的yaml文件

weights为训练自己数据集得到的权重

batchsize设置为1

（3）运行val.py生成结果如下：