1. 視覚的なインジケーター
1. 各種損失
損失は、cls_loss、box_loss、obj_loss の 3 つの部分に分割されます。
**cls_loss:** は、カテゴリ分類を監視し、アンカー ボックスと対応するキャリブレーション分類が正しいかどうかを計算するために使用されます。
**box_loss:** 検出ボックスの回帰、予測ボックスとキャリブレーション ボックス (CIoU) 間の誤差を監視するために使用されます。
**obj_loss:** グリッド内にオブジェクトがあるかどうかを監視し、ネットワークの信頼度を計算するために使用されます。
2. 指標
mAP([email protected]): これは、より高い検出能力を必要とする標準です。mAP([email protected]): Pascal VOC mAP 標準計算方法である mAP(IoU@[0.5:0.05:0.95]) と一致しており、10 IoU しきい値の下で mAP を計算し、平均を計算する必要があります
。
この評価メトリックは、一般的な IoU しきい値 (0.5) 評価メトリックのみを考慮するよりも、モデルの精度をよりよく反映します。
2. 各種評価指標（P&R&PR&F1_curve、精度（適合率）、再現率（再現率））
1. P_curve (正確)
2.R_カーブ
再現率 (真の陽性精度)、つまり、見つかった陽性サンプルの数 (リコールされた数)。
再現率と信頼性の関係を示すグラフ。
これは、信頼水準を特定の値に設定すると、すべてのカテゴリが見つかる確率が になることを意味します。信頼レベルが小さいほど、カテゴリ検出がより包括的になることがわかります。
3. PR_曲線
mAP はMean Average Precisionの略語、つまり平均平均精度です。精度が高くなるほど再現率が低くなることがわかります。
しかし、私たちのネットワークが可能な限りすべてのカテゴリを高精度で検出できることを願っています。したがって、曲線が (1, 1) 点に近いこと、つまり、mAP 曲線の面積ができるだけ 1 に近いことを望みます。
4. F1_カーブ
F1 スコアは分類問題の尺度です。多分類問題に関する一部の機械学習コンテストでは、最終評価方法として F1 スコアがよく使用されます。これは適合率と再現率の調和平均であり、最大値は 1、最小値は 0 です。
F1-Score は、あるカテゴリーにおいて、Precision と Recall を組み合わせた判定指標で、値は 0 ～ 1 で、1 が最高、0 が最低です。
三、ラベル&ラベル_コレログラム
- 最初の図はトレーニング セット内のデータの量です。各カテゴリにはいくつありますか?
- 2つ目は箱のサイズと数量です。
- 3 番目は中心点の位置です。マスク データ セット内のマスクの位置は、ほとんどが画像の中央に分布していることがわかります。
- 4 番目はラベルの高さと幅です。マスクは通常、画像全体よりも小さいため、ほとんどのサンプルが (0-0.2、0-0.2) に分布していることがわかります。
四、result.png&result.txt
1. 損失関数
損失関数は、モデルの予測値が真の値からどの程度異なるかを測定するために使用され、モデルのパフォーマンスを大きく決定します。
測位損失 box_loss: 予測ボックスと校正ボックス (GIoU) 間の誤差
信頼損失 obj_loss: ネットワークの信頼度を計算 分類
損失 cls_loss: アンカー ボックスと対応する校正分類が正しいかどうかを計算
Box: YOLOV5 は GIOU を使用損失をバウンディングボックスとして使用 損失、ボックスはGIoU損失関数の平均値と推定されます。平均値が小さいほど、
ボックスの精度が高くなります。オブジェクトネス: 平均ターゲット検出損失と推定されます。ターゲット検出が小さいほど、分類: 平均分類損失
と推定され、小さいほど分類の精度が高くなります。
val BOX:検証セット境界ボックス損失
**val 客観性: ** 検証セットターゲット検出平均損失
** val 分類: ** 検証セット分類損失平均
**精度: **精度 (正しい陽性クラスを見つける/見つかったすべての陽性クラス)
**再現率: **真の陽性精度率、つまり、検出された陽性サンプルの数 (リコールされた数)
[email protected]:0.95 (mAP@[0.5:0.95]) は、
異なる IoU しきい値 (0.5 ～ 0.95、ステップ サイズ 0.05) (0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95) でのことを示します。 ) 平均 mAP がオン。
[email protected]: しきい値が 0.5 を超える平均 mAP を示します。
ターゲット検出における PR 曲線と mAP
2.結果.csv
results.txt の最後の 3 つの列は検証セットの結果であり、その前の列はトレーニング セットの結果です。すべての列は次のとおりです: トレーニング時間
、GPU 消費量、境界ボックス損失、ターゲット検出損失、分類損失、合計、ターゲット、画像サイズ、P、R、[email protected]、[email protected]:.95、検証セット val ボックス、検証セット val obj、検証セット val cls
5. train_batchx
ここで設定したバッチサイズは 8 なので、一度に 8 枚の写真が読み取られます。
六、val_batchx_labels&val_batchx_pred
- val_batchx_labels: 検証セットの実際のラベル x を丸めます
- val_batchx_pred: 検証セットのラウンド x の予測ラベル
7. パラメータの説明
hpys : ハイパーパラメータ ファイルを置きます。