yolov5训练后结果怎么看_yolo运行结果图怎么看

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

最近在学习yolov5的时候，自己训练结束总会跳出一堆东西，为防止自己遗忘，特意写篇文章来记录一下这些都是些什么东西

一、基础知识

判断是什么内容之前需要知道一些用于yolov5的常识

二、使用步骤

1.confusion混淆矩阵：

左侧为预测类，下方为目标真实类，从下方上看。比如，此次训练，time目标被被训练得到的模型识别为time的比例为1，即被百分百识别。而have目标识别have的比例0.8左右，另有0.2比例被识别为tea。同理，name目标被错误识别为people的比例为0.2左右。

2.labels.jpg：

左上为每个类别的数量。右上为框的尺寸和数量。
左下为框的中心点坐标。右下为框的长度和宽度。

3.P_curve：

p曲线，即precision精确率曲线。我们可以设置图片置信度的阈值，判断置信度大于该阈值的图片属于该类别，得到模型对该图片的最终判断，即是某物。那么图片就好理解了，即置信度阈值越高，模型才认为图片是该物品，模型判断的越准确，这是很自然的，无需解释。但置信度阈值过高，可能会导致掉那些忽略信度低，但确实有该物品的图像。
蓝线是全体类别判断精度，灰线则是其余具体的类的精准率_置信度曲线。

4.R_curve：

Recall/召回率/查全率曲线。Recall即上面公式图中的TPR对应的Sensitivity：真实值是yes（positive或称正例，即有要检测的类别的单个图片样本）的样本的预测结果正确的比例，正例预测正确的比例。即正例查全的比例。显然，置信度月底，查全率会越高，即不容易漏过有对象的图片。
蓝线，灰线同上。

5.PR_curve：

精确度和召回率的关系曲线。毫无疑问，我们希望R越低越好，P越高越好，但这是矛盾的，前者需要置信度阈值降低，后者需要置信度阈值增高，它们是一对矛盾的性能度量指标。
于是有了PR_curve，精确度和召回率曲线，此处的P为mAP（mean Average Precision）,即平均精度，
毫无疑问，我们希望P与R都能到1，即曲线围成最大的正方框，面积接近1。

6.F1_curve：

F1（F1-score）曲线。F1=2PR/(P+R)，是P与R的调和平均数，我认为是一种对P与R的综合度量。1最好，0最差。

7.result：

横坐标为轮数（epoch），纵坐标为各类损失，越小，效果越好些。个人认为box为预测标框与标注标框偏差，obj是图片有无识别出对象偏差，cls为对象分类偏差。
引用“第二个衡量指标：宏观上一般训练结果主要观察精度和召回率波动情况，波动不是很大则训练效果较好；如果训练比较好的话图上呈现的是稳步上升。”