YOLO代码解读

一、可视化指标

1.各类loss

loss分为cls_loss, box_loss, obj_loss三部分：
**cls_loss：**用于监督类别分类，计算锚框与对应的标定分类是否正确。
**box_loss：**用于监督检测框的回归，预测框与标定框之间的误差（CIoU）。
**obj_loss：**用于监督grid中是否存在物体，计算网络的置信度。

2. metrics

mAP(IoU@0.75)：这是一个对检测能力要求更高的标准。
mAP(IoU@0.5)：跟Pascal VOC mAP标准计算方式一致；
mAP(IoU@[0.5:0.05:0.95])，需要计算10个IoU阈值下的mAP，然后计算平均值。这个评估指标比仅考虑通用IoU阈值(0.5)评估指标更能体现出模型的精度。

二、各类评价指标（P&R&PR&F1_curve, 准确率（查准率）和召回率（查全率））

1. P_curve (precise)

2. R_curve

recall（真实为positive的准确率），即正样本有多少被找出来了（召回了多少）。

召回率（查全率）和置信度的关系图。
意思就是，当我设置置信度为某一数值的时候，各个类别查全的概率。可以看到，当置信度越小的时候，类别检测的越全面。

3. PR_curve

mAP 是 Mean Average Precision 的缩写，即 均值平均精度。可以看到：精度越高，召回率越低。
但我们希望我们的网络，在准确率很高的前提下，尽可能的检测到全部的类别。所以希望我们的曲线接近（1，1）点，即希望mAP曲线的面积尽可能接近1。

4. F1_curve

F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。

对于某个分类，综合了Precision和Recall的一个判断指标，F1-Score的值是从0到1的，1是最好，0是最差。

三、labels&labels_correlogram

• 第一个图是训练集得数据量，每个类别有多少个
• 第二个是框的尺寸和数量
• 第三个是center点的位置。可以看到口罩数据集中口罩的位置大多分布在图像的中心。
• 第四个是labeld的高宽。口罩一般相比于整个图片比较小，所以看到样本大多分布在（0-0.2，0-0.2）

四、result.png&result.txt

1. loss functions

损失函数是用来衡量模型预测值和真实值不一样的程度，极大程度上决定了模型的性能。

定位损失box_loss：预测框与标定框之间的误差（GIoU）
置信度损失obj_loss：计算网络的置信度
分类损失cls_loss：计算锚框与对应的标定分类是否正确

Box：YOLOV5使用 GIOU loss作为bounding box的损失，Box推测为GIoU损失函数均值越小，方框越准
Objectness：推测为目标检测loss均值，越小目标检测越准
Classification：推测为分类loss均值，越小分类越准

val BOX: 验证集bounding box损失
**val Objectness：**验证集目标检测loss均值
**val classification：**验证集分类loss均值

**Precision：**精度（找对的正类/所有找到的正类）
**Recall：**真实为positive的准确率，即正样本有多少被找出来了（召回了多少）

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

目标检测中PR曲线和mAP

2. result.csv

results.txt中最后三列是验证集结果，前面的是训练集结果，全部列分别是：
训练次数，GPU消耗，边界框损失，目标检测损失，分类损失，total，targets，图片大小，P，R，mAP@.5, mAP@.5:.95, 验证集val Box, 验证集val obj, 验证集val cls

五、train_batchx

这里我设置的一个batchsize是8，所以一次读了8张照片

六、val_batchx_labels&val_batchx_pred

• val_batchx_labels：验证集第x轮的实际标签
• val_batchx_pred：验证集第x轮的预测标签
  

七、参数解释

hpys：放超参数文件；