解读YOLOV5的runs文件

最新推荐文章于 2025-04-06 16:58:15 发布
最新推荐文章于 2025-04-06 16:58:15 发布
阅读量2.3w 收藏 359
点赞数 52
分类专栏： YOLOV5学习 文章标签： python pytorch
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/m0_66447617/article/details/124180032
版权
本文详细介绍了YOLOV5训练后的评估标准，包括混淆矩阵、F1曲线、相关图、准确率与置信度曲线、PR曲线和召回率曲线，以及训练损失函数和精度。通过这些指标，可以分析目标检测的精确度和召回率，理解模型的性能。同时，文章提及了平均精确度（AP）和平均平均精确度（mAP）的概念，对于调整模型和优化性能至关重要。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

使用YOLOV5训练数据之后我们需要一些评判标准来告诉我们所训练的效果究竟如何。这时，YOLOV5给出了一个文件解决我们的问题。该文件在直接生成为runs文件，可理解记录一些运行时的日志信息。

confusion_matrix.png(混淆矩阵)

作为一种特定的二维矩阵，列代表预测的类别，行代表实际的类别。其对角线上的值表示预测正确的数量比例，非对角线元素则是预测错误的部分。混淆矩阵的对角线值越高越好，这表明许多预测是正确的。

上图是对是否戴口罩进行训练，有图可以看出 将一个图片分为了三个部分，分别是戴口罩，不戴口罩和background FP。该图在每列上进行归一化处理。则可以看出戴口罩预测正确的概率为85%。不带口罩预测正确的概率为70%。

F1_curve：

F1分数与置信度（x轴）之间的关系。F1分数是分类的一个衡量标准，是精确率和召回率的调和平均函数，介于0，1之间。越大越好。

需要知道精确率和号回率是什么首先需要知道四值：TP,FN,FP,TN。

TP：真实为真，预测为真；

FN：真实为真，预测为假；

FP：真实为假，预测为真；

最低0.47元/天 解锁文章
YoloV8实战：各种图绘制汇总（mAP50、mAP50-95、loss、PR_curve、F1_curve）|科研必备|绘图神器
m0_47867638的博客
05-27 4226
本文的内容是告诉大家如何绘制mAP50、mAP50-95、loss、PR_curve、F1_curve等图像，方便大家写论文。
YOLOv5源码逐行超详细注释与解读（1）——项目目录结构解析
路人贾的博客
03-06 8万+
全网最全YOLOv5项目目录结构超详细分析。逐个文件注释，小白上手必备
Yolo F1_Confidence Cure 和 P_curve
weixin_58473494的博客
05-28 3296
P_curve"通常指的是 Precision-Recall Curve（精确率-召回率曲线），在目标检测任务中，精确率指的是检测出的目标中真正为目标比例，而召回率(Recall)指的是真正为目标的样本中成功被检测出的比例，P_curve 展示了在不同阈值下模型的精确率和召回率之间的权衡关系。例如，如果有10个真正的目标，模型检测出了7个，那么召回率就是70%。1.精确率(Precision)：指的是检测出的目标中真正目标的比例，例如，如果模型检测出10个目标，其中8个为真正的目标，那么精确率是80%
YOLOv8——模型训练后生成的文件和图表分析
最新发布
boss-dog
04-06 1467
在YOLOv8模型进行训练之后，会在/runs目录下生成训练结果，其中会生成相应的权重文件、图表、图像等。
YOLOv5入门（六）目标检测性能评价指标与结果分析
mw的博客
05-03 2万+
本篇博客主要讲解训练yolov5的train.py生成的结果文件各个图片和其中指标的含义，以及在评估模型和发表论文时主要用到的参数
Yolo runs文件解读
X_Universe2004的博客
05-13 1648
在目标检测模型中，使用Yolo v5训练数据之后会直接生成为runs文件，其中包含一些运行时的信息，可以作为评判标准来告诉我们所训练的效果如何，帮助我们更好的研究模型的性能。
YOLOv5出现“run pip install wandb to automatically track and visualize YOLOv5 runs (RECOMMENDED)“问题的解决
m0_64346597的博客
09-23 3699
1.在图片数据集建立的时候，以前模型的图片没有删除掉，我是选中了以前的图片，粘贴了现在需要的图片，所以图片数量搞错了，train和test都是这样，然后我又去检查了一下标签数据集labels，发现数量也不对，把图片和标签数据重新修改之后发现还是报错。用yolov5自建数据集，训练一个模型，出现如下图所示的问题（run pip install wandb to automatically track and visualize YOLOv5 runs (RECOMMENDED)）
yolov5-runs文件中对train结果的说明
qq_45305490的博客
06-10 1万+
yolov5中train结果说明
yolov5 介绍
kwame211的博客
10-19 9226
1、前言 YOLOv5项目地址：ultralytics/yolov5 ​ 项目自发布以来，直到现在仍然在不断改进模型、项目。作者的更新频率很大，很多问题都能够及时解决，当然问题也很多！到写稿此时，项目的device参数仍然无法正常工作，查看源码，作者的代码写的GPU设备控制比较复杂，修改源码也没有解决，可能我里解决就差一步了吧！在项目提交bug后，得到作者的及时回应，但是最后仍然没有解决。难道使用GPU必须从GPU:0开始吗？查看bug请点击。 ONNX（Open Neural Network .
YOLOv8找不到runs文件夹
Dneccc的博客
03-15 2295
是因为配置文件里写的是相对路径，他在你当前根目录生成了runs 解决办法： 1. Windows C:\Users\xxx\AppData\Roaming\settings.yaml 2. Linux /home/xxx/.config/settings.yaml 将 runs_dir: runs 改为绝对路径runs_dir: D:\yolov8\runs
手把手带你调参YOLOv5 (v5.0-v7.0)（推理）
热门推荐
YOLOv8项目贡献者
04-24 16万+
解析YOLOv5项目中detect.py文件27个参数含义
图像处理-车辆识别-yolov5（含源码、原始数据、pyqt5交互界面）
08-09
基于yolov5的车辆识别（货车与公交车识别），内含源码（yolov5、pyqt5、训练集与测试集划分代码）、原始图像数据集、标注数据集（xml格式及txt格式）、模型训练后权重文件、pyqt5交互界面以及使用说明。下载后可直接打开pyqt5交互界面实现车辆识别。
认识YOLOv5模型结构目录
qq_60245590的博客
01-13 2956
这个文件夹可能用于存放用于训练、验证和测试的图像数据的样本或其相关的示例图片。如果要改进 YOLOv5 模型，这些 YAML 文件是您可能需要修改的地方，特别是如果您想要调整模型训练的数据集或超参数。您可能希望调整训练的超参数，学习率计划，或引入新技术，如数据增强或不同的损失函数。: 这个文件夹包含模型训练过程的输出结果，通常包括权重文件、日志、训练和验证的损失图表以及其他可能的性能指标。: 这个文件夹下内容通常是自动生成的，用于存储训练和检测的输出结果，需要检查这些输出来评估您所做改进的效果。
yolo5安装配置及其目标检测
m0_46275263的博客
11-03 1558
目录一、yolo5的下载1.1 环境配置1.2 下载git1.3 下载yolo5源码二、yolo5的安装三、图片检测3.1 准备工作3.2 执行操作3.3 结果显示四、视频检测4.1 准备工作4.2 执行操作4.3 显示结果五、摄像头实时检测5.1 准备工作5.2 执行操作5.3 显示结果六、总结七、参考链接 一、yolo5的下载 1.1 环境配置 首先我们需要在anaconda里面添加yolo5的环境。在anaconda prompt里面输入如下代码： conda create -n yolov5pyth
YOLOv5训练结果性能分析
tt丫的博客
01-31 4万+
目录 一、confusion_matrix.png —— 混淆矩阵 二、F1_curve.png —— F1曲线 三、labels.jpg ——标签 四、labels_correlogram.jpg —— 体现中心点横纵坐标以及框的高宽间的关系 五、P_curve.png ——单一类准确率 六、R_curve.png —— 单一类召回率 七、PR_curve.png ——精确率和召回率的关系图 八、result.png —— 结果loss functions 一、confusion_
【目标检测算法】YOLO-V5训练结果的分析与评价
三木今天学习了嘛の博客
09-06 9万+
详细介绍了YOLOv5输出结果的分析与指标对模型的评价。
【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC
Python数据科学
10-14 2万+
作者：xiaoyu 微信公众号：Python数据科学 知乎：python数据分析 非经作者允许，禁止任何商业转载。 ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全...
yolo系列目标检测模型训练结果分析
you 是 mine
04-12 1万+
mAP是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。曲线上的每个点表示在特定的置信度阈值下的准确率。在目标检测任务中，召回率是指在所有实际为正例的样本中，模型成功预测为正例的样本所占的比例。在分类任务中，精确率是指在所有预测为正例的样本中，实际为正例的样本所占的比例。归一化后的混淆矩阵显示的是预测结果的相对比例或百分比，可以更清楚地了解模型在不同类别上的分类准确性。
yolov10 default文件解读
12-28
### YOLOv10 默认配置文件解析 YOLO (You Only Look Once) 是一种流行的实时目标检测算法系列。尽管目前官方尚未发布名为 "YOLOv10" 的具体版本，基于现有 YOLO 版本的发展趋势以及社区中的讨论[^1]，可以推测 YOLOv10 可能会继承并改进前几代的特点。 #### 1. 配置文件概述 假设存在 `yolov10.yaml` 文件作为默认配置文件，则该文件主要用于定义神经网络架构、训练设置以及其他必要的参数。此文件通常由多个部分组成： - **模型结构**: 描述如何搭建卷积层、池化层等组件来形成完整的检测器。 - **优化策略**: 设置学习率调整方案、权重衰减系数等影响收敛性的因素。 - **数据集信息**: 明确指明使用的图像尺寸、类别数量及其对应的标签映射关系。 - **预处理/后处理规则**: 定义输入图片标准化方式及预测框筛选准则。 #### 2. 关键组成部分详解 ##### 模型架构 (`model`) ```yaml nc: 80 # 类别数, 对应COCO数据集中物体分类数目 depth_multiple: 0.33 # 控制网络深度的比例因子 width_multiple: 0.50 # 调节各层宽度(通道数)的比例因子 backbone: - [focus, [64, 3]] # Focus模块或替代其功能的新设计 ... neck: - [sppf, [256]] # 如果沿用了SPPF简化版空间金字塔池化单元 ... head: - [...] ``` 这部分内容借鉴了YOLOv5中提到的一些变化点[^3]，比如可能继续采用更高效的特征提取机制，并进一步优化颈部(neck)连接以增强多尺度表征能力。 ##### 训练选项 (`train`) ```yaml hyp: lr0: 0.01 # 初始学习率 lrf: 0.1 # 结束时的学习率比例 momentum: 0.937 # 动量项 weight_decay: 0.0005 # 权重惩罚力度 ... epochs: 300 # 总迭代次数 batch_size: 16 # 批次大小 imgsz: 640 # 输入图像分辨率 rect: false # 是否开启矩形推理模式 resume: last.pt # 断点续训路径 device: '' # GPU设备编号，默认为空表示自动选择可用GPU single_cls: true # 单类或多类训练标志位 data: coco128.yaml # 数据源描述文档位置 project: runs/train # 日志保存目录基址 name: exp # 实验名称子文件夹名 exist_ok: False # 若同名实验已存在则覆盖与否 cache_images: True # 缓存加载过的样本至内存加速读取效率 image_weights: False# 加权采样开关 quad: False # 四倍精度浮点运算支持状态 linear_lr: False # 学习率线性退火策略启用情况 label_smoothing: 0.0# 标签平滑程度调节范围 patience: 100 # Early Stopping等待轮次上限 freeze: [] # 冻结某些层不参与反向传播更新列表 save_period: -1 # 周期性存储checkpoint间隔周期(-1代表仅保留最终结果) seed: 0 # 随机种子设定值用于重现性控制 deterministic: True# CUDA操作确定性保障措施激活状况 sync_bn: False # 同步批量归一化的应用指示符 workers: 8 # 并行工作进程数指定 augment: True # 图像增广技术运用标识 mosaic: True # Mosaic混合拼接样式切换按钮 degrees: 0.0 # 旋转角度最大偏移幅度限制 translate: 0.1 # 移动变换百分比率界定域 scale: 0.5 # 缩放因子上下限区间边界 shear: 0.0 # 错切变形斜度角幅值约束条件 perspective: 0.005 # 投影变换视差效应强度阈值规定 flipud: 0.0 # 上下翻转概率密度函数峰值定位处 fliplr: 0.5 # 左右镜像转换发生几率分布中心点坐标轴方向 color_augmentation:# 颜色抖动参数集合体 hue: 0.1 # 色调变动跨度界限 saturation: 0.7 # 饱和度波动边际区域 value: 0.4 # 明亮度起伏波段端点座标系内数值表达形式 ``` 这些超参数的选择直接影响到模型性能的表现，在实际部署过程中可根据特定应用场景灵活调整[^2]。 ##### 测试评估 (`val`) 和 推理(`test`) 测试阶段与验证过程相似，主要是为了检验经过充分训练后的模型能否稳定输出高质量的结果；而推理环节侧重于生产环境下的快速响应需求，因此二者间可能存在细微差异之处如批处理规模的不同等。 ```yaml task: val/test # 'val' 表示验证,'test' 表达测试 weights: best.pt # 待测模型权重档案全径地址 conf_thres: 0.001# 置信度门限过滤弱阳性实例 iou_thres: 0.65 # IoU交并比临界值判定正负样本归属 half: False # 半精度FP16推断使能标记 augmented: False# 复杂扩充手段辅助决策质量提升启停态 verbose: False # 输出冗余调试资讯详尽等级调控旋钮 save_txt: False # 文本记录检测成果开关控件 save_hybrid: False# 综合可视化呈现效果留存设施 save_conf: False# 保存每张图上所有候选框得分数组序列化文件格式 plots: True # 生产各类图表统计分析资料图形界面展示特性 ``` 通过以上几个方面的介绍可以看出，即使对于假定存在的YOLOv10而言，其配置文件依然遵循着清晰合理的组织原则，旨在为用户提供便捷易用的同时也保持高度灵活性以便适应不同任务场景的要求。
评论 15
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
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