yolov3训练过程中输出参数详解

最新推荐文章于 2024-07-29 17:20:55 发布

干巴他爹

最新推荐文章于 2024-07-29 17:20:55 发布

阅读量8.9k

点赞数 6

分类专栏：深度学习文章标签： yolov3 目标检测

本文链接：https://blog.csdn.net/tintinetmilou/article/details/88877039

版权

本文详细解释了YoloV3训练过程中的输出参数，包括Region 16和20在不同尺度上的目标检测作用，以及关键指标如IOU、分类正确率、Obj和No Obj的含义。此外，还介绍了.5R和.75R的召回率概念，以及训练过程中的学习率、总损失和图片训练量等信息。

摘要由CSDN通过智能技术生成

在这里插入图片描述
Region 16, Region 20表示两个不同尺度上检测的结果。
16卷积层为最大的预测尺度, 可以预测出较小的物体；
20卷积层为最小的预测尺度, 可以预测出较大的物体。

我们发现每次迭代都有两组Region 16, Region 20。
因为在darknet中，所有训练图片中的一个批次（batch）又被分成subdivision份来进行计算，而该训练过程 .cfg 文件中设置的batch=32，subdivisions=2，所以就有两组Region 16, Region 20，每组中用到了16张图片。

Region xx Avg IOU：表示在当前subdivision内的图片的平均 IOU（预测的矩形框和真实目标的交集与并集之比）；越大越好，最大为1。
Class：标注物体分类的正确率；越大越好，最大为1。
Obj：越接近 1 越好;
No Obj：期望该值越来越小, 但不为零;
.5R：以与ground true的iou大于0.5为正样本时的recall/count，是当前模型在所有 subdivision 图片中检测出的正样本与实际的正样本的比值。全部的正样本被正确的检测到应该是1。
.75R：以与ground true的i