1. 简介
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。
2.评估用的数据集
这个训练结果是基于VisDrone2019-DET数据集进行检测训练得到的。VisDrone2019-DET是一个广泛用于无人机图像目标检测的标准数据集,它包含了各种复杂的场景和目标,包括行人、车辆、自行车等。训练过程中,我们使用了该数据集的图像和标注信息,采用了深度学习的目标检测模型来进行训练。
3. 结果分析
我们可以从结果文件中看到其中 共有文件24个 ,后12张图片是根据我们训练过程中的一些检测结果图片,用于我们可以观察检测结果,有哪些被检测出来了,那些没有被检测出来,其不作为指标评估的文件。
3.1 Weights文件夹
我们先从第一个weights文件夹来分析,其中有两个文件,分别是 best.pt、last.pt ,其分别为训练过程中的损失最低的结果和模型训练的最后一次结果保存的模型。
3.2 args.yaml
第二个文件是args.yaml文件,其中主要保存一些我们训练时指定的参数,内容如下所示。
task: detect
mode: train
model: ultralytics/cfg/models/v8/yolov8-SPDConv.yaml
data: ultralytics/cfg/dataset/VisDrone.yaml
epochs: 240
time: null
patience: 50
batch: 4
imgsz: 640
save: true
save_period: -1
cache: false
device: 1
workers: 8
project: VisDrone
name: yolov8-SPDConv
exist_ok: false
pretrained: true
optimizer: auto
verbose: true
seed: 0
deterministic: true
single_cls: false
rect: false
cos_lr: false
close_mosaic: 10
resume: false
amp: true
fraction: 1.0
profile: false
freeze: null
multi_scale: false
overlap_mask: true
mask_ratio: 4
dropout: 0.0
val: true
split: val
save_json: false
save_hybrid: false
conf: null
iou: 0.7
max_det: 300
half: false
dnn: false
plots: true
source: null
vid_stride: 1
stream_buffer: false
visualize: false
augment: false
agnostic_nms: false
classes: null
retina_masks: false
embed: null
show: false
save_frames: false
save_txt: false
save_conf: false
save_crop: false
show_labels: true
show_conf: true
show_boxes: true
line_width: null
format: torchscript
keras: false
optimize: false
int8: false
dynamic: false
simplify: false
opset: null
workspace: 4
nms: false
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: 7.5
cls: 0.5
dfl: 1.5
pose: 12.0
kobj: 1.0
label_smoothing: 0.0
nbs: 64
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
auto_augment: randaugment
erasing: 0.4
crop_fraction: 1.0
cfg: null
tracker: botsort.yaml
save_dir: VisDrone/yolov8-SPDConv
3.3 混淆矩阵(ConfusionMatrix)
第三个文件就是混淆矩阵,大家都应该听过这个名字,其是一种用于评估分类模型性能的表格形式。它以实际类别(真实值)和模型预测类别为基础,将样本分类结果进行统计和汇总。