yolo模型效果评估

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
• 
•