1. Indicadores visuales
1. Varios tipos de pérdidas
La pérdida se divide en tres partes: cls_loss, box_loss y obj_loss:
**cls_loss:** se utiliza para supervisar la clasificación de categorías y calcular si el cuadro de anclaje y la clasificación de calibración correspondiente son correctos.
**box_loss:** Se utiliza para supervisar la regresión de los cuadros de detección, el error entre el cuadro de predicción y el cuadro de calibración (CIoU).
**obj_loss:** Se utiliza para supervisar si hay objetos en la cuadrícula y calcular la confianza de la red.
2. métricas
mAP([email protected]): Este es un estándar que requiere mayores capacidades de detección.
mAP([email protected]): es consistente con el método de cálculo estándar de Pascal VOC mAP;
mAP(IoU@[0.5:0.05:0.95]), es necesario calcular el mAP bajo 10 umbrales de IoU y luego calcular el promedio. Esta métrica de evaluación refleja mejor la precisión del modelo que considerar únicamente la métrica de evaluación del umbral general de IoU (0,5).
2. Varios indicadores de evaluación (P&R&PR&F1_curve, precisión (tasa de precisión) y tasa de recuperación (tasa de recuperación))
1. P_curva (precisa)
2. R_curva
Recuperar (precisión positiva verdadera), es decir, cuántas muestras positivas se han encontrado (cuántas se han recuperado).
Un gráfico de la relación entre recuerdo y confianza.
Esto significa que cuando establezco el nivel de confianza en un valor determinado, la probabilidad de encontrar todas las categorías es. Se puede ver que cuando el nivel de confianza es menor, la detección de categorías es más completa.
3. curva_PR
mAP es la abreviatura de Mean Average Precision , es decir, precisión media media. Se puede ver que cuanto mayor es la precisión, menor es la tasa de recuperación.
Pero esperamos que nuestra red pueda detectar todas las categorías con la mayor precisión posible. Entonces esperamos que nuestra curva esté cerca del punto (1, 1), es decir, esperamos que el área de la curva mAP esté lo más cerca posible de 1.
4. F1_curva
La puntuación F1 es una medida de los problemas de clasificación. Algunas competiciones de aprendizaje automático sobre problemas de clasificación múltiple suelen utilizar la puntuación F1 como método de evaluación final. Es la media armónica de precisión y recuperación, con un máximo de 1 y un mínimo de 0.
Para una determinada categoría, F1-Score es un indicador de juicio que combina precisión y recuperación. El valor es de 0 a 1, siendo 1 el mejor y 0 el peor.
三、etiquetas y etiquetas_correlograma
- La primera imagen es la cantidad de datos en el conjunto de entrenamiento, ¿cuántos hay en cada categoría?
- El segundo es el tamaño y cantidad de las cajas.
- El tercero es la ubicación del punto central. Se puede ver que las posiciones de las máscaras en el conjunto de datos de máscaras están distribuidas principalmente en el centro de la imagen.
- El cuarto es la altura y el ancho de la etiqueta. Las máscaras son generalmente más pequeñas que la imagen completa, por lo que puede ver que la mayoría de las muestras se distribuyen en (0-0,2, 0-0,2)
四、result.png&result.txt
1. funciones de pérdida
La función de pérdida se utiliza para medir el grado en que el valor predicho del modelo es diferente del valor real, lo que determina en gran medida el rendimiento del modelo.
Pérdida de posicionamiento box_loss: el error entre el cuadro de predicción y el cuadro de calibración (GIoU)
Pérdida de confianza obj_loss: calcula la confianza de la red
Pérdida de clasificación cls_loss: calcula si el cuadro de anclaje y la clasificación de calibración correspondiente son correctos
Cuadro: YOLOV5 usa GIOU pérdida como cuadro delimitador Pérdida, el cuadro se estima como el valor medio de la función de pérdida de GIoU. Cuanto menor sea la media
, más preciso será el cuadro. Objetividad: se estima que es la pérdida media de detección de objetivos. Cuanto menor sea la detección de objetivos , más precisa es
Clasificación: Se estima que es la pérdida media de clasificación. Cuanto menor es, más precisa es la clasificación.
val BOX: pérdida del cuadro delimitador del conjunto de validación
** val Objetividad: ** pérdida media de detección de objetivo del conjunto de validación
** clasificación val: ** pérdida media de clasificación del conjunto de validación
**Precisión: **Exactitud (encontrar la clase positiva correcta/todas las clases positivas encontradas)
**Recordar: **La verdadera tasa de precisión positiva, es decir, cuántas muestras positivas se han encontrado (cuántas se han recuperado)
[email protected]:0.95 (mAP@[0.5:0.95])
indica que en diferentes umbrales de IoU (de 0,5 a 0,95, tamaño de paso 0,05) (0,5, 0,55, 0,6, 0,65, 0,7, 0,75, 0,8, 0,85, 0,9, 0,95 ) mapa promedio encendido.
[email protected]: Indica el mAP promedio con un umbral mayor a 0.5
Curva PR y mAP en la detección de objetivos.
2. resultado.csv
Las últimas tres columnas en results.txt son los resultados del conjunto de validación y las anteriores son los resultados del conjunto de entrenamiento. Todas las columnas son:
tiempos de entrenamiento, consumo de GPU, pérdida del cuadro delimitador, pérdida de detección de objetivos, pérdida de clasificación, total, objetivos, imagen. tamaño, P, R, [email protected], [email protected]:.95, conjunto de verificación val Box, conjunto de verificación val obj, conjunto de verificación val cls
5. tren_batchx
El tamaño de lote que configuré aquí es 8, por lo que se leen 8 fotos a la vez
Por ejemplo, val_batchx_labels y val_batchx_pred
- val_batchx_labels: etiquetas reales del conjunto de validación ronda x
- val_batchx_pred: etiqueta prevista del conjunto de validación ronda x
7. Explicación de parámetros
hpys : coloca el archivo de hiperparámetros;