论文必备 - 绘制YOLOv11模型在训练过程中，精准率，召回率，mAP_0.5，mAP_0.5:0.95，以及各种损失的变化曲线

已于 2024-10-31 13:31:51 修改
阅读量972 收藏 7
点赞数 9
分类专栏： YOLOv11改进专栏 文章标签： YOLO 目标检测 计算机视觉 深度学习
于 2024-10-10 12:41:18 首次发布
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/qq_42591591/article/details/142818575
版权
YOLOv11改进专栏 专栏收录该内容
106 篇文章 39 订阅 ¥99.90 ¥299.90
订阅专栏

一、本文介绍

本文用于绘制模型在训练过程中，精准率，召回率，mAP_0.5，mAP_0.5:0.95，以及各种损失的变化曲线。用以比较不同算法的收敛速度，最终精度等，并且能够在论文中直观的展示改进效果。支持多文件的数据比较。

在这里插入图片描述

在这里插入图片描述

专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

文章目录

了解本专栏 订阅专栏 解锁全文
Limiiiing
关注
专栏目录
订阅专栏
论文必备 - 绘制YOLOv9模型在训练过程中，精准率，召回率，mAP_0.5，mAP_0.5:0.95，以及各种损失的变化曲线
qq_42591591的博客
08-31 377
在训练过程中的变化曲线（Python脚本），用以比较不同算法的收敛速度，最终精度等，并且能够在论文中直观的展示改进效果。变化曲线，数据来源是直接读取三个训练完成的。以下是比较了三个模型的。
YOLO-v11自定义数据集训练
u012077914的博客
09-30 3623
今天Ultralytics发布了他们最新的yolo系列：v11，赶紧来看看自己的数据集跑出来是否有涨点！！感觉yolo系列是不是出的太快了（爆肝），一年内就更新了三个大版本（8、10、11）。。。
YOLO训练results.csv文件可视化（原模型与改进模型对比可视化）
weixin_51431157的博客
05-24 5670
这里用到了两个csv文件（results.csv（改进模型训练80轮）和results100.csv（原模型训练100轮））一、单独一个文件可视化（源码对应utils文件夹下的plots.py文件的plot_results类）单独把代码拿出来建立py文件，注意上传文件路径以及文件保存路径。效果图展示：（results_vs.png文件）效果图展示：（results.png文件）
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
热门推荐
Snu77的博客
11-02 6万+
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。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
论文必备 - 绘制YOLOv10模型在训练过程中，精准率，召回率，mAP_0.5，mAP_0.5:0.95，以及各种损失的变化曲线
qq_42591591的博客
10-10 594
文件是模型在训练过程中，实时记录训练的结果，和当时控制台输出的信息一致。当然还包含一些验证损失，学习率变化等数据。epoch：记录训练的轮次，总轮次为训练文件中设置的epochs大小。：边界框损失。在训练过程中，此值逐渐变小，越小表示模型预测的边界框与真实边界框之间的差异越小。：分类损失。在训练过程中，此值逐渐变小，越小表示模型对目标类别的预测越准确。：分布焦点损失。将边界框的回归问题转化为对边界框四个边的分布预测问题，越小表示预测越准确。：精确率也称为查准率。
论文必备 - 绘制RT-DETR模型在训练过程中，精准率，召回率，mAP_0.5，mAP_0.5:0.95，以及各种损失的变化曲线
qq_42591591的博客
11-13 406
文件是模型在训练过程中，实时记录训练的结果，和当时控制台输出的信息一致。当然还包含一些验证损失，学习率变化等数据。epoch：记录训练的轮次，总轮次为训练文件中设置的epochs大小。：边界框损失。在训练过程中，此值逐渐变小，越小表示模型预测的边界框与真实边界框之间的差异越小。：分类损失。在训练过程中，此值逐渐变小，越小表示模型对目标类别的预测越准确。：分布焦点损失。将边界框的回归问题转化为对边界框四个边的分布预测问题，越小表示预测越准确。：精确率也称为查准率。
mAP@0.5与mAP@0.5:0.95的含义
frighting_ing的博客
11-07 4万+
mAP@0.5: mean Average Precision（IoU=0.5） 即将IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP。 mAP@.5:.95（mAP@[.5:.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。 那AP是什么呢，Average Precision，是单个类别平均精确度，而mAP是所有类别的平均精确度 AP是Precision
【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05
q742971636的博客
11-07 1万+
计算mAP之前先考虑我们有的数值：图片原label的bbox、模型预测的bbox、模型预测的bbox的置信度、模型预测的bbox中目标类别的分类置信度。此外，我们还需要确定“IoU数值阈值”和“置信度阈值”，模型的预测能满足“IoU数值阈值”与“置信度阈值”（NMS算法）的结果参与最终混淆矩阵计算。精确率和召回率是由混淆矩阵中的数值得到，其中的TP、FP、TN、FN都是会“IoU数值阈值”和“置信度阈值”影响的。目标检测有多个类别，一个类别计算出的AP数值，所有类别平均AP数值称为mAP（
YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】
kay_545
07-04 2309
yolov8，yolov8论文，yolov8实验结果分析
从零开始使用YOLOv11——Yolo检测detect数据集自建格式转换为模型训练格式：20w+图片&1w+类别代码测试成功
qq_58718853的博客
11-12 943
本文记录YOLO检测模型训练数据集搭建过程和代码
yolo标签自动标注（使用python和yolo方法）
最新发布
weixin_46221106的博客
11-13 342
yolo自动标注代码
YOLO11改进 | 融合改进 | C3k2融合Efficient Multi-Scale Conv Plus【独家原创】
kay_545
11-12 476
yolo11改进，yolo11
YOLOv11融合ICCV[2023]倒残差移动块iRMB模块及相关改进思路|YOLO改进最简教程
深度学习炼丹师，偶尔分享炼丹技术!
11-13 691
论文速览：倒置残差块 （IRB） 是轻量级 CNN 的基础设施，但尚未得到基于注意力的研究的认可。这项工作从统一的角度从高效的 IRB 和 Transformer 的有效组件重新思考轻量级基础设施，将基于 CNN 的 IRB 扩展到基于注意力的模型，并抽象出一个单残差 Meta Mobile Block （MMB） 用于轻量级模型设计。遵循简单但有效的设计标准，我们推导出了一个现代的倒置残差移动块 （iRMB），并构建了一个仅用 iRMB 的 ResNetlike 高效模块 （EMO） 用于下游任务。
YOLO11改进-模块-引入CMUNeXt Block 增强全局信息
qq_64693987的博客
11-08 775
有效提取全局信息：通过使用大核深度可分离卷积替换普通卷积，先利用大核的深度可分离卷积提取每个通道的全局信息，再借助残差连接，解决了卷积网络难以提取全局信息的问题。保持轻量化优势：深度可分离卷积本身相比普通卷积能有效减少网络参数和计算成本，并且通过合理设计，如倒置瓶颈设计等，在提取全局信息的同时保持了网络的轻量化，使得网络既能够提取全局信息，又适合在移动和边缘设备上部署。综合利用归纳偏置和全局信息提取。
Yolo11实战改进：一文读懂Yolo11到实战。
m0_47867638的博客
11-09 996
YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代版本，它以尖端的精度、速度和效率重新定义了可能性。在之前YOLO版本令人瞩目的进步基础上，YOLO11在架构和训练方法上引入了重大改进，使其成为各种计算机视觉任务的通用选择。关键特性：YOLO11采用改进的主干网络和颈部架构，提高了特征提取能力，以实现更精确的目标检测和更复杂的任务性能。YOLO11引入了精细的架构设计和优化的训练流程，提供了更快的处理速度，并在准确性和性能之间保持了最佳平衡。
YOLOv11融合CVPR[2020]轻量化卷积模块Ghost Module模块及相关改进思路|YOLO改进最简教程
深度学习炼丹师，偶尔分享炼丹技术!
11-11 1089
论文速览：CNN 的最新进展主要致力于设计更复杂的架构以提高其表示学习能力。在本文中，我们考虑在不调整模型架构的情况下改进 CNN 的基本卷积特征转换过程。为此，我们提出了一种新的自校准卷积，它通过内部通信显式扩展了每个卷积层的视野，从而丰富了输出特征。特别是，与使用小内核（例如 3 × 3）融合空间和通道信息的标准卷积不同，我们的自校准卷积通过一种新颖的自校准操作，在每个空间位置自适应地构建长距离空间和通道间依赖关系。因此，它可以通过明确地整合更丰富的信息来帮助 CNN 生成更具鉴别性的表示。
【YOLOv8图像分类】YOLOv8图像分类源代码
qq_40348732的博客
11-12 741
此程序是使用YOLOv8训练自己的图像并测试。Yolo系列模型可以说是比较特殊的模型，因为不像其他公开网络ResNet、GoogLeNet等等，可以自己构建和更改层。Yolo只能整体调用这个网络，这个可能是让初学者比较头疼的问题，就是看不到网络的每个层，也看不到构建网络的代码。但其实这样一来反而方便了，就是只需要指定好图像的目录就可以了，甚至都不用去统一图像的尺寸。参考了网上的各种大佬写的调用方法，以及YOLO模型官网的介绍，整理了一下比较简洁、适合初学者使用的代码。
YOLOv11融合ICCV[2023]动态蛇形卷积Dynamic模块及相关改进思路|YOLO改进最简教程
深度学习炼丹师，偶尔分享炼丹技术!
11-11 774
论文速览：拓扑管状结构（如血管和道路）的准确分割在各个领域都至关重要，可确保下游任务的准确性和效率。然而，许多因素使任务复杂化，包括薄的局部结构和可变的全局形态。在这项工作中，我们注意到管状结构的特异性，并利用这些知识来指导我们的 DSCNet 在三个阶段同时增强感知：特征提取、特征融合和损失约束。首先，我们提出了一种动态蛇形卷积，通过自适应地关注细长和曲折的局部结构来准确捕捉管状结构的特征。
评论
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

打赏作者

Limiiiing

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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