YOLO训练结果简单总结

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

Home - Ultralytics YOLO Docs

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。