一、软硬件的准备与虚拟环境搭建
1、Python环境：直接安装Anaconda 3-2022
（1）百度网盘下载地址(下载文件中附了非常详细的安装教程)：https://pan.baidu.com/s/1KQNOlYU-GMKbkPGcip1Hzw?pwd=5678
（2）直接网上百度下载和安装，非常多教程，这里直接略过
安装好之后，可以打开Anaconda Prompt（install），查看python版本：
（3）将安装的Anaconda加入电脑的系统环境变量里面
3.1 如下图所示：直接搜索系统环境变量，点击 编辑系统环境变量
3.2 点击 右下角环境变量
3.3 进入之后可以看见有xxx用户变量和系统变量两部分，里面都有path变量，选择path变量，点击编辑
3.4 进入之后点击新建，将Anaconda的安装路径和Scripts路径填写进去，最后点击确定就完成了环境变量的添加（注意：每个页面都有确定，请一一点击确定）
2、软件：安装Pycharm 2020.1 x64 软件（这是专业版）
（1）百度网盘下载地址(下载文件中附了非常详细的安装教程)：https://pan.baidu.com/s/1KQNOlYU-GMKbkPGcip1Hzw?pwd=5678
（2）直接网上百度下载和安装，非常多教程，这里直接略过
3、查看当前电脑的cuda版本，为后面安装pytorch做准备
打开cmd的shell，输入命令：nvidia-smi，cuda版本为12.1
4、打开Anaconda Prompt(install)，创建虚拟环境，如下图所示：
1、创建虚拟环境
方法一：默认情况下虚拟环境创建在Anaconda安装目录下的envs文件夹中
conda create --name yolov5 #yolov5是虚拟环境名称（自定义）
方法二：如果想将虚拟环境创建在指定位置，使用–prefix参数即可：
conda create --prefix D:\Software\Envs\yolov5 python==3.9 #yolov5是虚拟环境名称（自定义）
2、查看已经创建好的虚拟环境：
conda env list
3、激活虚拟环境并查看下面已安装的库
4、如果想要删除yolov5这个虚拟环境：
conda remove --prefix D:\Software\Envs\yolov5 --all
二、下载yolov5项目的代码
在github官网下载源码
下载网址：https://github.com/ultralytics/yolov5
三、使用安装的pycharm软件打开项目并配置运行环境
1、打开软件，点击左上角的File，再点击Open
2、打开之后，在相应的路径下找到项目，点击ok，项目就被打开了
3、运行环境的配置：再一次点击左上角的File，接着点击Settings
4、进入之后，首先在页面左边找到 【Project：你的项目名】按钮并点击，再点击里面的 Python Interpreter，接着点击右上角的设置符号，里面会出来Add与Show All两个选项，再点击Add，如下图所示：
5、进入之后，选择Existing environment,再进行环境的选择，最后点击确定即可（在这里我选择了前面创建的yolov5环境，注意：选择到环境下面的python.exe路径才可以）
到这里项目的打开和运行环境的设置就完成了！
四、torch、opencv等库的安装
1、在上一个步骤中，我们已经使用pycharm打开了项目并配置了运行环境，接下里在打开的项目中找到requirements.txt文件并打开，这里面正是所需要安装的库，如下图所示：
2、首先安装除torch之外的所有包（因为torch需要与cuda对应）：可以使用清华、华为等源地址快速安装
清华大学 ：https://pypi.tuna.tsinghua.edu.cn/simple/
阿里云：http://mirrors.aliyun.com/pypi/simple/
中国科学技术大学 ：http://pypi.mirrors.ustc.edu.cn/simple/
华中科技大学：http://pypi.hustunique.com/
豆瓣源：http://pypi.douban.com/simple/
腾讯源：http://mirrors.cloud.tencent.com/pypi/simple
华为镜像源：https://repo.huaweicloud.com/repository/pypi/simple/
比如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ matplotlib==3.3
3、安装torch：通过步骤一中的第3小点知道了本机cuda版本
（1）方式一（在线安装）：打开网址：https://pytorch.org/get-started/previous-versions/，查找本机对应的torch，并通过命令在线安装，如下图所示；
# CUDA 11.8
pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118
（2）方式二（离线安装）：打开网址：https://download.pytorch.org/whl/torch_stable.html
https://download.pytorch.org/whlversions/，查找到对应的torch、torchaudio、torchvision并下载下来，通过命令：pip install 下载地址+文件 进行安装
安装好之后，可以通过pip list 或者 conda list查看：
五、良性皮肤痣和恶性皮肤痣数据集的制作（分类）
1、数据集下载
url：https://www.cvmart.net/
大家打开网址，进行注册登录，再点击里面的数据集就可以去筛选自己需要的数据进行下载。
2、简介
下载文件解压后，里面有三个文件夹，分别是训练集（train）、测试集（test）和数据（data）;
而训练集中又包含两个文件夹，分别是：“malignant” 常用来描述恶性的、有害的或恶意的事物；“benign” 常用来描述良性的、无害的或温和的事物。测试集里面也是一样，只是数据量不同，data里面就是测试集和训练集。
其中：
train文件夹中malignant有1197张图片，benign有1440张图片；
test文件夹中malignant有300张图片，benign有360张图片。
训练集 : 测试集 = 2637 : 660 = 4 : 1
malignant恶性图片实例：
benign良性图片实例：
六、改写代码，进行分类训练实战
1、首先下载官方的分类预训练模型
下载地址：https://github.com/ultralytics/yolov5/releases/download/v6.2/yolov5s-cls.pt
2、将下载的模型放入项目的classify文件夹里面
3、打开classify里面的train.py文件，将下载好的预训练模型位置添加
4、再将下载好的训练集与测试集数据位置添加
（1）先在classify里面建立一个data文件夹，再将train与test文件夹放在里面
（2）在train.py里面添加数据位置
（3）在train.py里面设置运行的epochs、batch-size等，根据自己电脑或者服务器的配置进行调整即可！
在 YOLOv5 模型中，argparse.ArgumentParser 用于解析命令行参数。下面是一些常用的参数说明和设置示例：
--img-size：指定输入图像的尺寸。例如，--img-size 640 表示将输入图像的宽度和高度调整为 640 像素。
--batch-size：指定训练时每个批次中的图像数量。例如，--batch-size 16 表示每个批次中包含 16 张图像。
--epochs：指定训练的迭代轮数。例如，--epochs 100 表示进行 100 轮迭代训练。
--data：指定数据集的配置文件路径。例如，--data data.yaml 表示使用名为 data.yaml 的配置文件。
--cfg：指定模型的配置文件路径。例如，--cfg models/yolov5s.yaml 表示使用名为 yolov5s.yaml 的模型配置文件。
--weights：指定预训练模型的权重文件路径。例如，--weights weights/yolov5s.pt 表示使用名为 yolov5s.pt 的权重文件。
--device：指定使用的设备，如 --device cpu 表示使用 CPU 进行训练，--device 0 表示使用 GPU 0 进行训练。
--name：指定训练任务的名称。例如，--name my_model 表示训练任务的名称为 my_model。
--resume：指定是否从之前的训练中恢复。例如，--resume 表示从之前的训练中恢复，--resume weights/last.pt 表示从 last.pt 权重文件中恢复训练。
这些参数可以根据具体的训练需求进行设置。可以通过在命令行中使用 --help 参数来查看更多参数选项和说明。例如，python train.py --help 可以显示出所有可用的参数选项和说明。
本人这里设置为：
5、运行train.py文件，训练模型
（1）运行过程中可能会报错：
我这里就报错了：缺少下面这个库，安装即可。如果遇见类似错误，根据提醒信息进行修改就可以！
（2）运行过程和结果：
下图中的【..\runs\train-cls\exp5】路径就是存放训练出的权重路径；
Epoch（迭代轮数）：一个 epoch 表示将训练集中的所有样本都用于训练的一次迭代。在每个 epoch 中，模型会依次使用训练集中的每个样本进行训练。
GPU_mem（显存占用）：指的是在训练过程中 GPU 使用的显存量。显存占用通常会随着模型的复杂度和批量大小的增加而增加。
train_loss（训练损失）：在每个 epoch 结束时，使用训练集计算的损失值。训练损失用于衡量模型在训练集上的拟合程度。
test_loss（测试损失）：在每个 epoch 结束时，使用测试集计算的损失值。测试损失用于衡量模型在测试集上的拟合程度。通常用于评估模型的泛化能力。
top1_acc（Top-1 准确率）：在每个 epoch 结束时，使用测试集计算的准确率。Top-1 准确率表示模型在预测时，与真实标签完全匹配的样本所占的比例。
top5_acc（Top-5 准确率）：在每个 epoch 结束时，使用测试集计算的准确率。Top-5 准确率表示模型在预测时，真实标签在模型预测的前五个最高概率中的样本所占的比例。
这些指标可以用来评估模型的性能和训练过程的进展。通常，我们希望训练损失和测试损失都能够逐渐减小，而准确率则逐渐提高。
【…\runs\train-cls\exp5】：
weights：存放模型权重;
在训练深度学习模型时，通常会保存模型的权重文件，以便在需要时进行加载和使用。YOLOv5模型中，best.pt和last.pt是两个常见的权重文件。
best.pt：best.pt是在训练过程中根据验证集表现选择的最佳模型权重文件。它是根据模型在验证集上的性能指标（如精度、损失等）来决定的。通常情况下，best.pt对应于在验证集上获得最佳性能的模型。
last.pt：last.pt是训练过程中最后一次保存的模型权重文件。它保存了模型在训练过程中的最新状态，无论其在验证集上的性能如何。last.pt可以用作继续训练的起点或进行推理和预测。
区别：
best.pt是基于验证集性能选择的最佳模型权重文件，而last.pt是训练过程中最后一次保存的模型权重文件。
best.pt对应于在验证集上获得最佳性能的模型，而last.pt保存了模型在训练过程中的最新状态。
在模型训练完毕后，可以使用best.pt进行性能评估和推理，而last.pt可以用作继续训练的起点。
选择使用哪个权重文件取决于具体的需求。如果需要获得在验证集上最佳性能的模型，可以使用best.pt。如果需要继续训练模型或进行推理和预测，可以使用last.pt。
6、打开classify文件夹里面的predict.py文件，进行预测
（1）同样与train.py文件操作大致相同，分别修改模型路径和预测图片路径，如下图：
（2）运行predict.py文件进行预测：
运行结果：将运行的结果保存在了【…\runs\predict-cls\exp5】里面
预测结果：预测数据本身为benign（良性），预测后结果如下图：
预测为benign的准确率为0.94，为malignant的准确率为0.06
预测数据本身为malignant（恶性），预测后结果如下图：
预测为benign的准确率为0.04，为malignant的准确率为0.96
以上就是yolov5分类检测的操作，从这里我们就可以看见yolov5的分类检测功能也很强大！
七、血红细胞数据集的制作（目标检测）
1、数据集的下载
同样进入以下地址：
url：https://www.cvmart.net/
大家打开网址，进行注册登录，再点击里面的数据集就可以去筛选自己需要的数据进行下载。
官方介绍：该数据集包含 12,500 张带有细胞类型标签 (CSV) 的增强血细胞图像 (JPEG)。4 种不同细胞类型中的每一种都有大约 3,000 张图像，这些图像被分组到 4 个不同的文件夹中（根据细胞类型）。细胞类型是嗜酸性粒细胞、淋巴细胞、单核细胞和中性粒细胞。该数据集附带一个额外的数据集，其中包含原始 410 幅图像（预增强）以及两个额外的子类型标签（WBC 与 WBC），以及这 410 幅图像中每个单元格的边界框（JPEG + XML 元数据）。更具体地说，“dataset-master”文件夹包含 410 张带有子类型标签和边界框（JPEG + XML）的血细胞图像，而“dataset2-master”文件夹包含 2,500 个增强图像以及 4 个额外的子类型标签（JPEG + CSV）。
下载解压后的数据分为两个文件夹：dataset-master与dataset2-master；
其中dataset-master文件夹是已经做好标签的文件数据，可以直接使用，而dataset2-master文件夹是原始数据，需要自己进行制作数据集；在这里我选择自己制作数据集。
dataset2-master文件夹内的数据形式：
而每一个文件夹里面又分为四类：
NEUTROPHIL：中性粒细胞；MONOCYTE：单核细胞；LYMPHOCYTE：淋巴细胞；EOSINOPHIL：嗜酸性粒细胞。
TRAIN文件夹中分别NEUTROPHIL：2499张；MONOCYTE：2478张；LYMPHOCYTE：2483张；EOSINOPHIL：2497张。
TEST_SIMPLE文件夹中分别NEUTROPHIL：48张；MONOCYTE：4张；LYMPHOCYTE：6张；EOSINOPHIL：13张。
TEST文件夹中分别NEUTROPHIL：624张；MONOCYTE：620张；LYMPHOCYTE：620张；EOSINOPHIL：623张。
由于制作数据集时间消耗比较长，我这里直接从train里面选择500张数据进行标注用作训练集，分别从NEUTROPHIL中随机选取125张，MONOCYTE中随机选取125张，LYMPHOCYTE中随机选取125张，EOSINOPHIL中随机选取125张，放在新建的cells文件夹中。
但在选取前先对每一类细胞的图片重命名，防止混淆，因为单纯表面上区分，有些难以区别出来，因此
如下所示：
import os
import shutil
# 指定文件夹路径
folder_path = r"C:/Users/22846/Downloads/dataset2-master/dataset2-master/images/TRAIN/"
# 获取文件夹中的所有文件
files = os.listdir(folder_path)
# 遍历文件夹中的文件
for file in files:
pics = os.listdir(folder_path+file)
#对每一个文件夹内的图片进行遍历重命名
i = 1
for p in pics:
# 判断文件是否为图片文件
if p.endswith(".jpg") or p.endswith(".png") or p.endswith(".jpeg"):
# 构建新的文件名
new_name = file[0] + str(i)+'.'+p.split('.')[1]
# 构建文件的完整路径
old_path = os.path.join(folder_path+file, p)
new_file_path = os.path.join(folder_path+file, new_name)
i = i + 1
# 重命名文件
os.rename(old_path, new_file_path)
print(f"已将文件 {old_path} 重命名为 {new_file_path}")
结果如下：
随机选取各类图片一共500张放入cells文件夹里面：
2、首先安装labelimg
pip install labelimg
or
conda install labelimg
3、labelimg 简介
LabelImg是一款开源的图像标注工具，用于创建和编辑图像数据集的标注。它支持多种常见的标注格式，如Pascal VOC、YOLO等。
使用LabelImg，用户可以加载图像，并在图像上绘制边界框或者进行点标注，以标记图像中的目标物体或者感兴趣区域。该工具提供了简单易用的界面和交互操作，使得标注过程更加高效和准确。
LabelImg支持在Windows、Linux和macOS等操作系统上运行，并且提供了多种语言的界面，方便用户根据自己的需要进行选择。
除了标注功能，LabelImg还提供了一些辅助功能，如自动保存标注结果、快捷键操作、标注结果的导出等，使得用户能够更好地管理和利用标注数据。
总之，LabelImg是一款功能强大、易于使用的图像标注工具，对于进行目标检测、图像分割等任务的数据集准备非常有帮助。
4、在窗口输入LabelImg，就会弹出LabelImg的操作界面
5、LabelImg的操作界面的使用
1、导入图像：点击界面上方的“Open Dir”按钮，选择要标注的图像文件，然后图像将显示在主窗口中。
2、创建标注框：在主窗口中，你可以使用鼠标左键点击并拖动来创建一个边界框，将其框住图像中的目标物体。你可以调整边界框的大小和位置，以确保它准确地包围目标。
3、标注物体类别：在主窗口的左下角，你可以选择目标物体的类别。点击下拉菜单，选择适当的类别。
4、保存标注结果：点击界面上方的“change Save dir”按钮，将标注结果保存到文件目录中。LabelImg会自动将标注结果以XML或txt格式保存。
5、继续标注：如果你需要标注多个目标物体，可以重复步骤4到步骤6，直到所有目标都被标注。
6、导出标注结果：如果你需要将标注结果导出为其他格式（如Pascal VOC或YOLO），可以点击界面上方的“Export”按钮，选择要导出的格式，并指定导出路径。
7、进行下一张图像的标注：点击界面上方的“Next Image”按钮，加载下一张图像，继续进行标注。
以上是LabelImg的基本使用步骤。在实际使用中，你可能还会使用一些其他功能，如快捷键操作、调整标注框的大小和位置、删除标注等。你可以在LabelImg的官方文档中找到更详细的操作指南。
我选择保存在这个文件夹里面：
那接下里就继续制作数据集！！！！：
其中：
NEUTROPHIL：中性粒细胞标注为N；MONOCYTE：单核细胞标注为M；
LYMPHOCYTE：淋巴细胞标注为L；EOSINOPHIL：嗜酸性粒细胞标注为E。
数据集制作完成：
其中标注文件中多一个classes.txt，这里面记录的是标签：
八、改写代码，进行目标检测实战训练
1、先将cells与Ncells文件夹名称分别改为images与labels，目的是显得更加清晰明了；接着将数据集按照一定的比例进行划分为训练集，测试集，验证集（train、test、val），下述的代码中我按照了 8:1:1 的比例去划分，若想根据自己的需要去划分数据集，修改下述代码中的：
在项目中新建DataSplit.py文件并放入以下代码，根据自己的需求改写路径和比例（如下图所示）
import os
import random
from shutil import copyfile
def split_dataset(image_folder, txt_folder, output_folder, split_ratio=(0.8, 0.1, 0.1)):
# Ensure output folders exist
for dataset in ['train', 'val', 'test']:
if not os.path.exists(os.path.join(output_folder, dataset, 'images')):
os.makedirs(os.path.join(output_folder, dataset, 'images'))
if not os.path.exists(os.path.join(output_folder, dataset, 'txt')):
os.makedirs(os.path.join(output_folder, dataset, 'txt'))
# Get list of image filesa
image_files = [f for f in os.listdir(image_folder) if f.endswith(('.jpg', '.jpeg', '.png'))]
random.shuffle(image_files)
num_images = len(image_files)
num_train = int(split_ratio[0] * num_images)
num_val = int(split_ratio[1] * num_images)
train_images = image_files[:num_train]
val_images = image_files[num_train:num_train + num_val]
test_images = image_files[num_train + num_val:]
# Copy images to respective folders
for dataset, images_list in zip(['train', 'val', 'test'], [train_images, val_images, test_images]):
for image_file in images_list:
image_path = os.path.join(image_folder, image_file)
copyfile(image_path, os.path.join(output_folder, dataset, 'images', image_file))
txt_file = os.path.splitext(image_file)[0] + '.txt'
txt_path = os.path.join(txt_folder, txt_file)
# Copy corresponding txt file if exists
if os.path.exists(txt_path):
copyfile(txt_path, os.path.join(output_folder, dataset, 'txt', txt_file))
if __name__ == "__main__":
image_folder_path = "C:/XXXXXXXXX/cell/images"
txt_folder_path = "C:/XXXXXXXXX/cell/labels"
output_dataset_path = "C:/XXXXXXXXX/Ncell"
split_dataset(image_folder_path, txt_folder_path, output_dataset_path)
print("数据集划分完成！！！")
其中：
split_ratio=(0.8, 0.1, 0.1)为划分比例传入的参数，根据自己的实际需求改写即可
image_folder_path 为images图片的文件夹的路径
txt_folder_path 为labels的txt文件夹的路径
output_dataset_path 为你保存的数据集的文件夹的路径，代码会在改路径下自动生成子文件夹，分别进行测试集，训练集，验证集的存储。
结果如下：
同时将test、train、val里面的txt文件名改为labels！
2、在项目里新建mydata文件夹，将划分的文件放进去；打开项目中的data文件夹，复制里面的ImageNet.yaml,再粘贴进data文件夹里面并改名为cells.yaml。分别如下图所示：
3、添加训练数据路径：改写cells.yaml内的代码
原代码：里面已经表明训练集、测试集、验证集与标签的添加位置，我们只需要更改即可
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/imagenet # dataset root dir
train: train # train images (relative to 'path') 1281167 images
val: val # val images (relative to 'path') 50000 images
test: # test images (optional)
# Classes
names:
0: tench
1: goldfish
2: great white shark
3: tiger shark
4: hammerhead shark
5: electric ray
6: stingray
7: cock
8: hen
...........
# Download script/URL (optional)
download: data/scripts/get_imagenet.sh
改写后：
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: E:/yolov5-master/mydata # dataset root dir
train: train # train images (relative to 'path') 1281167 images
val: val # val images (relative to 'path') 50000 images
test: test # test images (optional)
# Classes
names:
0: E
1: L
2: M
3: N
# Download script/URL (optional)
download: data/scripts/get_imagenet.sh
4、改写train.py代码，训练数据
（1）首先引入官方的目标检测预训练模型，在我们下载项目文件的时候，里面就包含了这个预训练模型：yolov5s.pt,你也可以去官网中进行下载其它的权重模型。如上图左侧标记所示；
（2）更改data路径：data/cells.yaml；
（3）更改epochs为：200；
（4）更改batch-size为：64；
如下图所示：
5、开始执行train.py,结果如下：
我在执行过程中报了一个错误：
这是因为：yolov5在训练时需要下载字体Arial.ttf，你可以复制下载网址：https://ultralytics.com/assets/Arial.ttf，在网页打开直接就下载了，再把下载的文件放在下载的目录中，如下图：
再次运行就可以了！
运行结果如下所示：
在目标检测任务中，常用的评估指标包括Precision（P）、Recall（R）、mAP50和mAP50-95。
Precision（精确率）表示检测出的正样本中有多少是真正的正样本。它的计算公式是：P = TP / (TP + FP)，其中TP是真正例（正确检测的正样本数），FP是假正例（错误检测的正样本数）。Precision越高，表示检测结果中的正样本越准确。
Recall（召回率）表示真实的正样本中有多少被正确地检测出来。它的计算公式是：R = TP / (TP + FN)，其中TP是真正例，FN是假负例（未能检测到的正样本数）。Recall越高，表示模型能够更好地检测出真实的正样本。
mAP50（平均精确率，IoU阈值为0.5）表示在不同类别上的平均精确率。它的计算方法是先计算每个类别的精确率，然后对所有类别的精确率取平均值。mAP50衡量了模型在不同类别上的整体性能，当IoU阈值为0.5时，表示检测框与真实框的重叠程度达到50%以上时才被视为正确检测。
mAP50-95（平均精确率，IoU阈值从0.5到0.95）是在不同IoU阈值范围内的平均精确率。它计算了从0.5到0.95不同IoU阈值下的精确率，并对其取平均值。mAP50-95更全面地评估了模型在不同IoU阈值下的检测性能。
这些评估指标可以帮助我们了解目标检测模型的准确性和召回率，并对模型的性能进行综合评估。
运行的结果保存在：…runs\train\exp6目录下
里面包含生成的权重文件：weights，精确率与召回率的图像等，如下图所示：
（1）"labels.jpg"通常是指包含训练数据集中所有类别标签的图像文件。
第一个图是训练集得数据量，每个类别有多少个；
第二个图是框的尺寸和数量；
第三个图是中心点相对于整幅图的位置；
第四个图是图中目标相对于整幅图的高宽比例；
（2）labels_correlogram.jpg是一张颜色矩阵图，它展示了目标检测算法在训练过程中预测标签之间的相关性。
矩阵的行列分别代表了模型训练时使用的标签（classes），而每个单元格则代表了对应标签的预测结果之间的相关性。
矩阵中的颜色越深，表示对应标签之间的相关性越强；颜色越浅，表示相关性越弱。对角线上的颜色表示每个标签的自身相关性，通常都是最深的。
通过这张图，我们可以看出哪些标签之间具有较强的相关性，从而有助于优化模型的训练和预测效果。例如，如果我们发现某些标签之间的相关性过强，可以考虑将它们合并成一个标签，从而简化模型并提高效率。
最上面的图（0，0）表明中心点横坐标x的分布情况；
（1，1）图表明中心点纵坐标y的分布情况；
（2，2）图表明框的宽的分布情况；
（3，3）图表明框的宽的分布情况
（3）P曲线：P_curve.png：准确率precision与置信度confidence的关系图。
【置信度confidence：用来判断边界框内的物体是正样本还是负样本，大于置信度阈值的判定为正样本，小于置信度阈值的判定为负样本即背景。】
（4）R_curve.png（信度阈值 - 召回率曲线图）：Recall-Confidence Curve (RCC)图是目标检测中用于评估算法性能的一种方法。它是在不同置信度阈值下，召回率的变化情况的可视化表示。
通常情况下，我们希望算法能够在高召回率的同时保持较高的精度。
当RCC图中的曲线在较高的置信度水平下具有较高的召回率时，说明算法在检测目标时能够较为准确地预测目标的存在，并且在过滤掉低置信度的预测框后，依然可以保持较高的召回率。这说明算法在目标检测任务中具有较好的性能。
需要注意的是，在RCC图中，曲线的斜率越陡峭，说明在过滤掉低置信度的预测框后，能够获得较大的召回率提升，从而提高模型的检测性能。
在该图表中，曲线越靠近右上角，则表示模型的性能越好。当曲线接近图表的右上角时，意味着模型在保持高召回率的同时，也能够保持较高的精确度。因此，R_curve.png可以用于评估模型的整体表现和找到一个合适的阈值，来平衡模型的召回率和精确度。
（5）PR_curve.png —— 精确率和召回率的关系图：PR Curve是Precision-Recall Curve的缩写，表示的是在不同阈值下，精确率与召回率之间的关系曲线。其中精确率（Precision）表示预测为正例的样本中真正为正例的比例，召回率（Recall）表示真正为正例的样本中被预测为正例的比例。
在PR Curve中，横坐标为召回率，纵坐标为精确率。一般而言，当召回率较高时，精确率较低；当精确率较高时，召回率较低。而PR Curve则体现了这种“取舍”关系。当PR Curve越靠近右上角时，表示模型在预测时能够同时保证高的精确率和高的召回率，即预测结果较为准确。相反，当PR Curve越靠近左下角时，表示模型在预测时难以同时保证高的精确率和高的召回率，即预测结果较为不准确。
通常，PR Curve与ROC Curve（受试者工作特征曲线）一同使用，以更全面地评估分类模型的性能。
（6）result.png：
定位损失box_loss：预测框与标定框之间的误差（CIoU），越小定位得越准；
置信度损失obj_loss：计算网络的置信度，越小判定为目标的能力越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
mAP@0.5:0.95（mAP@[0.5:0.95]）:
表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP；
mAP@0.5：表示阈值大于0.5的平均mAP
通过上图中的结果发现：该准确率平均达到0.963, 精确率平均达到0.938,已经时一个不错的效果了！
6、改写detect.py代码，进行预测，如下图所示：
选择一张图片预测：该图片为EOSINOPHIL：嗜酸性粒细胞
预测结果：
再在验证集val选择一张图片预测：该图片为NEUTROPHIL：中性粒细胞
预测结果：
九、简单总结
1、以上就是多使用yolov5模型进行一个分类与目标检测的介绍和实践，大家可以参考与提出问题，看见了就会回答，一起讨论！项目代码和数据也上传了，大家可以下载！
2、再这个过程中大家肯定会遇见一些错误，但是不要害怕，可以去根据提示进行改正或者上网查找解决方法，还有就是询问chatgpt大模型！
3、不管是分类训练，还是目标检测，准确率平均达到0.94及其以上, 精确率也平均达到0.94左右,已经时一个不错的效果了！，但是大家如果还需要提高精确度，比如增加数据来，我这里的数据量不是太多，数据增强等，可以参考以下方法：
要提高YOLOv5模型的精确度和准确度，可以尝试以下方法：
增加训练数据量：增加训练数据可以提供更多的样本和场景，有助于模型学习更多的特征和模式。
数据增强：使用数据增强技术，如随机缩放、翻转、旋转、裁剪等，可以扩充训练数据集，增加模型的鲁棒性和泛化能力。
调整模型架构：可以根据任务需求调整YOLOv5的网络架构，如增加卷积层、调整通道数、调整网络深度等，以提升模型的表达能力。
调整训练参数：可以尝试不同的学习率、批量大小、优化器、学习率衰减策略等训练参数，以找到最优的训练配置。
使用预训练模型：可以使用在大规模数据集上预训练的模型作为初始权重，然后在目标数据集上进行微调，以加快收敛速度和提高模型性能。
多尺度训练和推理：使用多尺度训练和推理可以提升模型对不同尺寸目标的检测能力，可以在训练时随机选择不同的输入尺寸，并在推理时使用多个尺度的图像进行预测。
使用更大的输入图像尺寸：增加输入图像的尺寸可以提高模型对小目标的检测能力，但同时也会增加计算和内存开销。
引入注意力机制：可以在YOLOv5中引入注意力机制，如SENet、CBAM等，以增强模型对重要特征的关注和响应能力。
集成学习：通过模型集成方法，如投票、平均等，结合多个训练好的YOLOv5模型的预测结果，可以提高模型的稳定性和性能。
以上是一些常用的方法，可以根据具体的任务和数据集进行尝试和调整，以获得更好的精确度和准确度。
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
