如图所示,训练后能够在终端看到你最好的权重在哪个目录
使用yolov8进行训练一般会产生如下文件:
其中,weights文件夹内会存放一个最好的权重文件和最后一次的权重文件
args.yaml: 保存此次训练的相关参数
confusion_matrix.png: 混淆矩阵是对分类问题预测结果的总结,它通常包括以下内容:
TP(True Positive): 将正类预测为正类数 即正确预测,真实为0,预测也为0
TN (True Negative):将负类预测为负类数,即正确预测,真实为1,预测也为1
FN (False Negative):将正类预测为负类 即错误预测,真实为0,预测为1
FP(False Positive):将负类预测为正类数 即错误预测, 真实为1,预测为0
其中行是预测类别(y轴),列是真实类别(x轴)
confusion_matrix_normalized:同上,只不过是以百分比显示
F1_curve:它是精确率和召回率的调和平均数
labels:
- 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。
- 第四个是labeld的高宽
-
P_curve:预测为positive的准确率。随着置信度的增加准确度也会增加(这是一定的),但置信度增加也会导致遗漏增加,从下图看出来置信度在0.2之后仍然能保持一个比较高的精度
-
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)
-
PR_curve:PR曲线中的P代表的是precision(精准率),R代表的是recall(召回率),其代表的是精准率与召回率的关系。
-
result.png&result.txt
- 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
- 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) - 有个dlf_loss不知道有什么用