yolov8训练结果分析

数据集

训练集：已知的输入和输出数据集去训练。

验证集：也是一些已知输入和输出的数据集，通过让机器学习去优化调整模型的参数。多次使用而不断调参

测试集：测试模型表现的数据集，根据误差（一般为预测输出与实际输出的不同）来判断一个模型的好坏。仅用与模型评价。

训练结果

混淆矩阵confusion_matrix

纵向（predicted）为预测的标签类别，横向（True）为真实的分类

例如该图  第三行第二列：真实的标签为人“person”但是实验预测的标签为背景“background”，即漏检

第二行第二列：真实的标签为人“person”实验预测标签也为人“person”，即检测正确

第二行第三列：真实的标签为背景“background”而实验预测标签为人“person”，即误检

labels_correlogram

待写，目前没搞懂

横纵坐标为0——1，没有单位。是归一化

labels

用于数据集的分析

第一个图：显示类别实例（目标）的个数。“head”和“person”的个数

第二个图：显示框的尺寸和数量；

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；

Precision-Recall Curve精确率和召回率的关系图

精确率表示预测为正例（感兴趣的目标样本）的样本中真正为正例的比例。（即找正确的比例）

召回率表示真正为正例的样本中被预测为正例的比例。（即找全的比例）

一般情况下，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。

AP即Average Precision，称为平均准确率，是对不同召回率点上的准确率进行平均，在PR曲线图上表现为PR曲线下面的面积。AP的值越大，则说明模型的平均准确率越高。

mAP是英文mean average precision的缩写，意思是平均精度均值。在模型检测中通常会检测多种样本，每个样本都会有一个AP值，多种样本的AP值的平均值即为mAP。

@0.5含义：IoU=0.5      深度学习中的IoU概念理解

表示“head”、“person”的精度。加粗的蓝色线表示平均精度

PRC曲线先看平滑度，再看面积（越靠右上角越好）

F1-Confidence Curve

置信度阈值是目标检测中一个重要的参数，用于控制检测器对目标的识别要求。置信度阈值的设定影响着检测结果的精度和召回率。

在目标检测中，每个检测框都有一个置信度得分，表示该框中是否包含目标。当置信度得分超过设定的阈值时，认为该框中存在目标，否则认为该框中不存在目标。置信度阈值的设定需要结合具体任务和模型的性能来进行调整，通常需要在精度和召回率之间进行权衡。

如果将置信度阈值设定得太高，可能会漏掉一些真实存在的目标，导致召回率较低；而将置信度阈值设定得太低，则会引入一些误检测，导致精度较低。因此，需要根据具体应用场景和模型的性能来选择合适的置信度阈值。

F1值是精确率和召回率的调和均值，即F1=2PR/(P+R) （P代表精确率，R代表召回率），相当于精确率和召回率的综合评价指标。

表示：当置信度为0.318时，F1 达到最大值

         

由F1曲线可得：当置信度为0.318时，为最大值。所以在CR、CP曲线中，当置信度为0.318时，相应的R值（召回率）、P值（精确率）即为实验的R值、P值（根据代码得知 ）

【机器学习】yolov5训练结果分析

YOLO等目标检测模型的非极大值抑制NMS和评价指标(Acc, Precision, Recall, AP, mAP, RoI)、YOLOv5中mAP@0.5与mAP@0.5:0.95的含义