三、yolov8训练结果查看和模型预测(语义分割)

已于 2024-05-06 16:46:10 修改
阅读量3.7k 收藏 28
点赞数 15
分类专栏： win10+yolov8分割 C++ TRT和vino部署 文章标签： YOLO 人工智能 深度学习 图像处理
于 2024-01-10 09:09:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/WDX4092410/article/details/135058820
版权

训练结果查看

1、在模型训练结束后，如下图所示，找到该文件夹。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2、然后找到weights文件夹中的best.pt文件，这就是该数据训练后的模型。
在这里插入图片描述

模型预测

1、在assets文件夹下创建FPC-2文件夹，放入一些同类FPC预测结果。

在这里插入图片描述
2、和训练同级文件夹，找到predict.py文件，即为模型预测文件。
在这里插入图片描述

3、修改model路径，修改source文件夹名，改为我们刚才生成pt文件的文件夹和FPC-2图片文件夹。
在这里插入图片描述
4、运行predict.py文件,等待一会，直到显示白色字体的文件夹为止。
在这里插入图片描述
5、打开文件夹，即可查看预测结果
在这里插入图片描述

Dakchueng
关注
  • 15
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
11-02 4万+
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。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
04训练——基于YOLO V8的自定义数据集训练——训练结果说明
raozhongbo的博客
10-08 2377
PR_curve 是 P-R 曲线的简称，它是精确率和召回率之间的关系曲线，精确率表示预测为正类的样本中有多少是真正的正类，召回率表示真正的正类中有多少被预测为正类。当你看到如下图所示的结果，就证明训练已经结束，并且可以在左侧文件夹中找到生成的weights文件夹，其中的best.pt就是生成的效果最好的模型文件，last.pt是生成的训练到当前状态最新的模型文件。例如，all类别的mAP50-95是0.316，表示整个模型在测试集上按照IOU从0.5到0.95的不同标准，目标检测的平均精度是31.6%。
[YOLOv8] 缺陷检测之如何读懂训练结果及评估模型训练的效果（含具体例子）
老狼工作室的博客
12-17 6254
本文主要介绍如何理解YOLOv8生成的训练结果中的每个文件的意义.
YOLOv8打印模型结构配置信息并查看网络模型详细参数：参数量、计算量（GFLOPS）
阿旭的博客
04-08 3092
YOLOv8打印模型结构配置信息并查看网络模型详细参数：参数量、计算量（GFLOPS）
yolov8从下载到应用，查看训练是否到最佳结果（自学ing）
m0_67592509的博客
12-15 1741
链接如下。
yolov8实战第二天——yolov8训练过程、结果分析（保姆式解读）
qq_34717531的博客
12-15 2万+
以逻辑回归举例，逻辑回归的输出是一个 0 到 1 之间的概率数字，因此，如果我们想要根据这个概率判断用户好坏的话，我们就必须定义一个阈值。因此，对于阈值为 0.5 的情况下，我们可以得到相应的一对查准率和查全率。选取合适的阈值点要根据实际需求，比如我们想要高的查全率，那么我们就会牺牲一些查准率，在保证查全率最高的情况下，查准率也不那么低。因此，为了找到一个最合适的阈值满足我们的要求，我们就必须遍历 0 到 1 之间所有的阈值，而每个阈值下都对应着一对查准率和查全率，从而我们就得到了 PR 曲线。
yolov8模型训练结果分析以及如何评估yolov8模型训练的效果
热门推荐
githubcurry
06-05 5万+
混淆矩阵是对分类问题预测结果的总结。使用计数值汇总正确和不正确预测的数量，并按每个类进行细分，显示了分类模型进行预测时会对哪一部分产生混淆。通过这个矩阵可以方便地看出机器是否将两个不同的类混淆了（把一个类错认成了另一个）。混淆矩阵不仅可以让我们直观的了解分类模型所犯的错误，更重要的是可以了解哪些错误类型正在发生，正是这种对结果的分解克服了仅使用分类准确率带来的局限性（总体到细分）。
[YOLOv8] 缺陷检测之使用TensorBoard来查看训练结果
老狼工作室的博客
12-17 4378
本文主要介绍了如何安装TensorBoard，并通过TensorBoard来查看YOLOv8的历史训练结果，或实时跟踪当前正在训练的结果。
Yolov8目标识别——模型训练结果可视化图分析与评估训练结果
知来者逆的博客
01-16 2万+
Yolov8在训练完成之后，会在run目录下把训练的过程一些参数与结果示意图保存下来,这里面包含是目标检测性能指标，如下图:表示正确预测的目标数量与总预测数量的比率。表示模型正确预测为正样本的样本数量占所有预测为正样本的样本数量的比例。表示模型正确预测为正样本的样本数量占所有实际正样本的样本数量的比例。综合考虑精确率和召回率，是精确率和召回率的调和平均数。衡量模型检测出的区域与实际目标区域的重叠程度。在目标检测中，AP通常指Precision-Recall曲线下的面积，用于综合评估模型的性能。
【目标检测】YOLOV8实战入门（五）模型预测
qq_43456016的博客
04-30 1万+
预测模式可以为各种任务生成预测，在使用流模式时返回结果对象列表或结果对象的内存高效生成器。文件加载，用户可以提供图像或视频来执行推理。模型预测输入图像或视频中对象的类别和位置。的流媒体模式应用于长视频或大型预测源，否则结果将在内存中累积并最终导致内存不足错误。函数在图像对象中绘制结果。它绘制在结果对象中找到的所有组件（框、掩码、分类日志等）— 具有用于操作边界框的属性和方法的boxes。— 用于索引掩码或获取段坐标的掩码对象。模式用于在新图像或视频上使用经过训练的。模型进行预测，在此模式下，模型从。
YOLOV8学习笔记2
xbsigeibwkouvfcj的博客
07-26 2490
自己的绝缘子数据集，暂时跑了100轮。训练结果都会出现在runs文件夹下，点开detect文件夹，下面都是训练的结果，点开刚刚训练的train5文件夹。
YOLOV8语义分割预训练模型
07-05
YOLOV8语义分割预训练模型
YOLOv8训练飞机检测模型+权重+数据集
最新发布
04-18
1、YOLOv8训练飞机检测模型，并包含标注好的飞机检测数据集，标签格式为xml和txt两种，类别名为aeroplane， 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 5、采用pytrch...
yolov8分割模型转onnx模型脚本python程序
03-12
yolov8分割模型转onnx模型脚本python程序yolov8分割模型转onnx模型脚本python程序yolov8分割模型转onnx模型脚本python程序yolov8分割模型转onnx模型脚本python程序yolov8分割模型转onnx模型脚本python程序yolov8分割...
Yolov8-seg分割预训练模型
11-06
Yolov8-Seg分割官方预训练权重模型
自己训练YOLOV8模型得到的最优模型
04-10
自己训练YOLOV8模型得到的最优模型
YOLOv8添加输出各类别训练过程指标
csy1021的博客
11-14 1584
YOLOv8添加输出各类别训练过程指标，保存为文件，方便后续作图和可视化
（超详细）YOLOv5训练出结果，如何分析结果的性能分析
qq_44421796的博客
12-22 2万+
训练次数，GPU消耗，边界框损失，目标检测损失，分类损失，total，targets，图片大小，P，R，[email protected], [email protected]:.95, 验证集val Box, 验证集val obj, 验证集val cls。对于某个分类，综合了Precision和Recall的一个判断指标，F1-Score的值是从0到1的，1是最好，0是最差。（2，2）图表明框的宽的分布情况，可以看到大部分框的宽的大小大概是整幅图的宽的一半；（3，3）图表明框的宽的分布情况，可以看到大部分框的高的大小超过整幅图的高的一半。
yolov8之训练、验证、预测、导出
Jumy_S的博客
09-24 5747
yolov8之训练
yolov8训练模型
07-27
要使用YOLOv8训练模型，你可以按照以下步骤进行操作： 1. 首先，在Python环境中导入YOLO模型。你可以选择从头开始构建新模型，或者加载预训练模型。如果你选择加载预训练模型，你需要指定模型的权重文件路径。例如，你可以使用以下代码加载预训练模型： ``` from ultralytics import YOLO model = YOLO("weights/yolov8n.pt") ``` 2. 接下来，你可以准备开始训练模型。你可以使用`model.train()`函数来训练模型。你需要指定数据集的配置文件路径，以及训练的参数，如训练轮数和批次大小。例如，你可以使用以下代码开始训练模型： ``` results = model.train(data="data/animal.yaml", epochs=20, batch=8) ``` 3. 在训练过程中，你可以在终端中进入YOLOv8的文件夹，并按照官方给定的命令行方式进行训练、预测、验证或导出模型。例如，你可以使用以下命令进行训练： ``` yolo task=detect mode=train model=yolov8n.pt args... ``` 请注意，以上步骤仅为示例，具体的操作可能会根据你的实际情况有所不同。你可以根据YOLOv8的官方文档或示例代码进行更详细的操作。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *2* *3* [【YOLO】YOLOv8训练自定义数据集（4种方式）](https://blog.csdn.net/weixin_42166222/article/details/129391260)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Dakchueng

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值