yolov5训练完自己数据集后怎么测试推理以及训练结果分析
1.模型测试
评估模型好坏就是在有标注的测试集或者验证集上进行模型效果的评估,在目标检测中最常使用的评估指标为mAP。在val.py文件中指定数据集配置文件和训练结果模型,运行进行测试
(1)weights:训练好的模型的权重r’runs\train\exp3\weights\best.pt’
(2)data:r’data/VisDrone.yaml’
测试:
python val.py
测试结果
对应runs\val\exp文件夹下
2.模型推理
模型推理和模型测试比较类似,主要区别是模型推理是对那些没有标注的数据集上进行推理,修改detect.py文件的要进行推理的图片和模型的路径
(1)weights:训练好的模型的权重r’runs\train\exp3\weights\best.pt’
(2)source:r’data\images\test’
推理:
python detect.py
推理结果
对应runs\detect\exp文件夹下
3.训练结果分析
1、Confusion matrix(混淆矩阵)
混淆矩阵能对分类问题的预测结果进行总结,显示了分类模型的在进行预测时会对哪一部分产生混淆。
2、F1 curve
F1分数与置信度之间的关系。F1分数(F1-score)是分类问题的一个衡量指标,是精确率precision和召回率recall的调和平均数,最大为1,最小为0, 1是最好,0是最差。
3、labels
左上是各个物体的数量直方图,右上是中心对齐后各个物体的bounding box,左下角是中心点统计,右下角是方框长、宽统计。
4、 results
本次学习过程还有许多存在问题,一开始学习难免会存在许多错误,后续会继续学习改进。