Home - Ultralytics YOLO Docs笔者最近完成了一次YOLO训练,对训练结果文件有些不理解,故查询资料总结
本文参考Ultralytics YOLO Docs(英文)文件
weights文件夹
文件夹里存放权重文件,其中best.pt代表最优,last.pt代表最后一次
args.yaml文件
文件里是配置文件,包含epochs、model、time等等
F1_curve
参考:YOLO Performance Metrics - Ultralytics YOLO Docs
F1 分数曲线 (F1_curve.png): 该曲线表示不同阈值下的 F1 分数。通过解读这条曲线,可以深入了解模型在不同阈值下假阳性和假阴性之间的平衡情况。
PR_curve
精度-召回曲线 (PR_curve.png): 对于任何分类问题来说,这条曲线都是不可或缺的可视化图表,它展示了在不同阈值下精度和召回率之间的权衡。在处理不平衡类时,它显得尤为重要。
P_curve
精度曲线 (P_curve.png): 不同阈值下精度值的图形表示。该曲线有助于了解精度是如何随着阈值的变化而变化的。
R_curve
召回曲线 (R_curve.png): 相应地,此图说明了召回值在不同阈值下的变化情况。
confusion_matrix
混淆矩阵 (confusion_matrix.png): 混淆矩阵提供了结果的详细视图,展示了每个类别的真阳性、真阴性、假阳性和假阴性的计数。(跟TP/TN/FP/FN有关)
confusion_matrix_normalized
归一化混淆矩阵(confusion_matrix_normalized.png): 该可视化是混淆矩阵的归一化版本。它以比例而非原始计数来表示数据。这种格式更便于比较不同类别的性能。
val_batchX_labels
验证批标签(val_batchX_labels.jpg): 这些图片描述了验证数据集中不同批次的基本真实标签。它们清楚地显示了数据集中的对象及其各自的位置。
val_batchX_pred
验证批次预测(val_batchX_pred.jpg): 这些可视图与标签图像形成对比,显示了 YOLOv8 模型对各个批次的预测结果。通过与标签图像进行对比,您可以轻松评估模型检测和分类对象的视觉效果。
labels_correlogram
反映了x,y,width,height之间的相互关系
labels
反映了训练集数据量,标签,中心点xy,宽高
results.jpg
反映了box(bounding box),cls(classification),dfl(Distribution Focal Loss)损失函数
以及precision,recall,mAP(表示PR图里图线与轴所围成的面积取平均)
results.csv
该目录包含绘制results.jpg所需结果,包含损失函数,精度、召回率、mAP、学习率 lr(Learning Rate)
train_batch0(train_batch1、train_batch2)
train_batch0.jpg是训练过程中的一张图片,它是前3次迭代的训练图片以及gt框(ground truth框)合成为一张图片保存的结果,这个图片的目的是为了方便你检查训练数据是否有问题。