04训练——基于YOLO V8的自定义数据集训练——训练结果说明

已于 2023-11-08 13:24:40 修改
阅读量3k 收藏 29
点赞数
分类专栏： 手把手教你玩转YOLO目标识别——公安交管场景实战 文章标签： YOLO
于 2023-10-08 18:53:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/raozhongbo/article/details/133688013
版权
本文详细解析了YOLOv8训练过程中的关键指标，包括Epoch、GPU_mem、box_loss、cls_loss、dfl_loss等，以及训练结束后的验证指标，如Box§、Box®、mAP50和mAP50-95。通过这些指标，可以评估模型在目标检测任务中的定位精度、分类性能和模型效率。
摘要由CSDN通过智能技术生成

1、训练过程中参数说明

运行YOLO V8的训练代码将会看到以下执行的情况。

在这里插入图片描述
在上图中，我们可以看到每一轮训练的指标情况，YOLOv8训练过程中的输出指标具体介绍如下：

• Epoch: 当前的训练轮数，一轮表示所有的训练数据都被模型处理一次。例如，1/100表示第一轮训练，总共有100轮。Epoch的取值范围是从1到总轮数，例如100。Epoch表示模型训练的进度，越大表示模型训练得越充分。

• GPU_mem: 当前使用的GPU显存量，单位是GB。GPU显存是用于存储模型参数和数据的内存，越大越好。GPU_mem的取值范围是从0到GPU的最大显存量，例如16GB。GPU_mem表示模型训练时使用的显存量，越大表示模型越复杂或者数据越大。

• box_loss: 目标检测任务中的边界框损失，表示模型预测的边界框和真实的边界框之间的差异。损失越小，表示模型越能准确地定位物体。 box_loss的取值范围是从0到正无穷，但通常在0到10之间。

• cls_loss: 目标检测任务中的分类损失，表示模型预测的物体类别和真实的物体类别之间的差异。损失越小，表示模型越能正确地识别物体。cls_

了解本专栏 订阅专栏 解锁全文 超级会员免费看
光_辉
关注
  • 0
    点赞
  • 踩
  • 29
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
订阅专栏
yolov8实战第二天——yolov8训练过程、结果分析（保姆式解读）
qq_34717531的博客
12-15 3万+
以逻辑回归举例，逻辑回归的输出是一个 0 到 1 之间的概率数字，因此，如果我们想要根据这个概率判断用户好坏的话，我们就必须定义一个阈值。因此，对于阈值为 0.5 的情况下，我们可以得到相应的一对查准率和查全率。选取合适的阈值点要根据实际需求，比如我们想要高的查全率，那么我们就会牺牲一些查准率，在保证查全率最高的情况下，查准率也不那么低。因此，为了找到一个最合适的阈值满足我们的要求，我们就必须遍历 0 到 1 之间所有的阈值，而每个阈值下都对应着一对查准率和查全率，从而我们就得到了 PR 曲线。
三、yolov8训练结果查看和模型预测(语义分割)
机器视觉、深度学习、C++、opencv、halcon、图像算法
01-10 4724
yolov8模型预测
yolov8训练指标解读
m0_73406727的博客
06-21 876
表示当前是第70个epoch，总共要训练100个epoch。：表示当前训练过程中使用的GPU内存为0.879 GB。：表示当前epoch的边界框损失（bounding box loss）为1.057。：表示当前epoch的分类损失（classification loss）为3.581。：表示当前epoch的分布焦点损失（distribution focal loss）为1.556。：表示在当前epoch中处理的实例数量为4。：表示当前处理的类别为a11。：表示当前epoch中处理的图像数量为202。
【YOLOv8 代码解读】所有任务Loss损失代码梳理
最新发布
m0_51579041的博客
07-13 1526
【YOLOv8 代码解读】所有任务Loss损失代码梳理
yolo训练过程中 Epoch GPU_mem box_loss cls_loss dfl_loss Instances的意思
MrLi的博客
05-15 1335
分别解释一下yolo训练过程中 Epoch GPU_mem box_loss cls_loss dfl_loss Instances的意思,总的来说，这些术语在YOLO训练过程中提供了关于模型性能、资源使用和训练进度的关键信息。通过分析这些指标，可以更好地理解模型的训练过程并进行相应的调整和优化。
YOLOv8训练自定义数据集
红叶谷 wsp_1138886114的博客
06-30 491
labelme标准的json文件转yolo-txt数据集格式。随机目录下，创建 data目录，新建custom.yaml,方法一：python命令: 新建。新建weights目录存放。
Yolov8目标识别——模型训练结果可视化图分析与评估训练结果
知来者逆的博客
01-16 4万+
Yolov8在训练完成之后，会在run目录下把训练的过程一些参数与结果示意图保存下来,这里面包含是目标检测性能指标，如下图:表示正确预测的目标数量与总预测数量的比率。表示模型正确预测为正样本的样本数量占所有预测为正样本的样本数量的比例。表示模型正确预测为正样本的样本数量占所有实际正样本的样本数量的比例。综合考虑精确率和召回率，是精确率和召回率的调和平均数。衡量模型检测出的区域与实际目标区域的重叠程度。在目标检测中，AP通常指Precision-Recall曲线下的面积，用于综合评估模型的性能。
超详细YOLOv8姿态检测全程概述：环境、训练、验证与预测详解
CDBmax的博客
12-26 1万+
本篇博客详细介绍了使用YOLOv8-pose进行姿态估计的全过程，包括不同版本模型的性能比较、训练与验证步骤，以及预测代码的实现。它对模型参数、训练过程和输出结果进行了解释，同时提供了详细的配置文件示例和标签数据格式说明。此外，还演示了如何使用预训练模型进行图像预测，并如何处理和理解预测结果。最后，它还讨论了如何评估和比较不同模型的性能。如果有哪里写的不够清晰，小伙伴本可以给评论或者留言，我这边会尽快的优化博文内容，另外如有需要，我这边可支持技术答疑与支持。
04训练——基于YOLO V8的自定义数据集训练——使用免费在线GPU资源
raozhongbo的博客
08-23 3912
Colab 是一个由 Google Research 团队开发的在线平台，可以让你在浏览器中编写和运行 Python 代码，无需任何配置，免费使用 GPU 和 TPU，还可以方便地与其他人共享你的工作。Google Colab 适合进行机器学习、数据分析和教育等目的。其主要特点有：• 零配置：你只需要一个 Google 账号和一个浏览器，就可以开始使用 Google Colab，无需安装任何软件或硬件。
04训练——基于YOLO V8的自定义数据集训练——在windows环境准备
raozhongbo的博客
10-09 915
为此，在我们实际的项目需求中，仍然需要掌握如何在windows环境下，调用本地电脑的GPU资源进行模型的训练。三是免费使用gpu的额度有限制，也就是说当你频繁使用colab做训练的时候，会提示配额已满，甚至我们耗费很长时间进行训练的时候，突然运行报错，实际上就是配额慢了，造成前期工作白费了。在上述步骤完成之后，便可调用本地电脑的GPU资源了，具体的代码与基于linux环境的colab上运行的代码类似，但有些许不同，笔者将逐一讲解。一是需要通过虚拟服务器做为跳板机来访问，总体操作起来非常繁杂。
04训练——基于YOLO V8的自定义数据集训练-----windows环境下训练代码
raozhongbo的博客
11-06 230
在下面代码中，为了更高效，本人使用了yolov8s这一个轻量级模型，我们可以查看官网上各类模型在目标识别方面的性能对比情况，大家可以结合实际使用更大的模型从而追求更好的效果。于前面讲的在colab中的代码不同，因为colab本质上是linux环境，linux环境和windows环境下对多进程的调用方法不同，在参数上，需要增加amp=False，这是因为不加这个参数的话，会出现Nan Loss的情况，导致训练异常，得到的模型无法检测到目标。windows环境下需要增加“if。windows环境下训练代码。
在自定义数据集上训练 YOLOv8——完整教程
DT程序员的博客
06-02 856
详细介绍在自定义数据集上训练 YOLOv8的完整教程
YOLOV8学习笔记2
yang的博客
05-29 3709
YOLOV8训练结果分析
box_loss,obj_loss,cls_loss,Size的含义，以及他们数据增长与降低时，是好还是坏
骨子里的偏爱
08-28 1万+
box_loss,obj_loss,cls_loss,Size的含义，以及他们数据增长与降低时，是好还是坏
【目标检测】22、Generalized Focal Loss V1
呆呆的猫的博客
07-26 2927
One-stage 目标检测器基本上是将目标检测建模成了一个密集分类和定位的任务。 分类任务一般使用 Focal Loss 来进行优化，定位任务一般是学习 Dirac delta 分布。 如 FCOS 中就提出了一个估计定位质量的量：IoU score 或 centerness score，然后 NMS 排序的时候，将分类得分和框质量得分相乘。.........
目标检测模型中的几个损失值
qq_52832321的博客
03-08 4144
DFL损失的主要作用是用于校正模型在预测物体边界框时的误差，优化后的效果可以在一定程度上针对有些模糊或者焦点不集中的图片提升对象检测的精度。Box Loss直接依赖于模型预测的边界框与实际（或称为真值）边界框之间的距离。DFL损失是一个更高级的损失函数，目标是能在某些更复杂的情况下获得更好的性能，特别是针对一些难以边界框预测的目标。Box损失函数通常用于基本的目标检测任务，如Faster R-CNN, SSD等方法，Box损失是一个相对简单的损失函数，它主要计算预测的边界框与实际的边界框之间的位置偏差。
yolov5-runs文件中对train结果的说明
qq_45305490的博客
06-10 1万+
yolov5中train结果说明
yolov8模型训练结果分析以及如何评估yolov8模型训练的效果
热门推荐
githubcurry
06-05 6万+
混淆矩阵是对分类问题预测结果的总结。使用计数值汇总正确和不正确预测的数量，并按每个类进行细分，显示了分类模型进行预测时会对哪一部分产生混淆。通过这个矩阵可以方便地看出机器是否将两个不同的类混淆了（把一个类错认成了另一个）。混淆矩阵不仅可以让我们直观的了解分类模型所犯的错误，更重要的是可以了解哪些错误类型正在发生，正是这种对结果的分解克服了仅使用分类准确率带来的局限性（总体到细分）。
YOLO训练自定义数据集教程与资源汇总
1. "darknetyolo训练自己的数据集(包含ros封装)"：这个链接提供了一个教程，介绍了如何使用Darknet框架训练自定义数据集，并且整合了ROS。Darknet是一个开源的深度学习框架，用于快速地训练和部署神经网络，而ROS是...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值