YOLOv5的Tricks | 【Trick14】YOLOv5的val.py脚本的解析

已于 2022-08-12 21:09:25 修改
阅读量1.1w 收藏 103
点赞数 19
分类专栏： # 目标检测YOLOv5技巧汇总 文章标签： 深度学习 python 人工智能 yolov5 目标检测
于 2022-08-12 21:09:10 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/weixin_44751294/article/details/126309179
版权
本文介绍了YOLOv5的val.py脚本的使用和解析，主要内容包括模型验证流程和指标计算。在训练过程中，val.py用于模型验证，通过加载模型和数据集，对每批图像进行推理并计算指标。文中详细解释了如何计算匹配预测框的IoU信息，以及如何根据这些信息获取mAP等评价指标。此外，还阐述了如何计算最佳F1指标，用于评估目标检测的查准率和查全率。
摘要由CSDN通过智能技术生成

如有问题，恳请指出。

这篇可能是这个系列最后的一篇了，最后把yolov5的验证过程大致的再介绍介绍，基本上把yolov5的全部内容就稍微过了一遍了，也是我自己对这个项目学习的结束。（补充一下，这里我介绍的yolov5-6.0版本的代码）

这个脚本主要分为是三个部分：主体代码运行部分 + 指标计算部分 + 绘图部分，这里就主要介绍前两个部分的内容。细节比较多，比上一篇的detect.py脚本复杂很多，这里写得困难逻辑也不会很清晰，简单做个记录，方便日后自己回忆。

文章目录

1. Val脚本使用

在训练阶段每个batch训练结束后，都会调用一次val脚本，进行一次模型的验证。

        # batch训练结束后val一次
        if RANK in [
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Clichong
关注
专栏目录
订阅专栏
YOLOv5源码逐行超详细注释与解读（4）——验证部分val（test）.py
路人贾的博客
03-19 1万+
全网最详细的YOLO源码解读之验证部分val.py。全文近5万字，代码逐行注释，逐段精讲！小白0基础必看！
Yolov3_tricks
03-08
YOLOV3的pytorch版本中嵌入了许多技巧 在Darknet上添加我的新模块很麻烦，然后我在Pytorch上实现了带有许多技巧的完整版yolov3 详尽的中文注释！ 表现 地图 车 人 自行车 官方基准 74.3％ 85.6％ 79.4％ 58.0％ ...
yolov5 6.1 关于 val.py 的使用说明
专注于 IOT 物联网的嵌入式研发
06-13 8779
主要用于评估已经训练好的模型的性能和精度。通过在验证集上运行模型，计算模型在检测任务上的指标和评估结果。具体来说分为如下几个步骤：val.py会加载训练好的模型权重文件和用于验证的数据集。它会根据配置文件中的设置，加载模型架构和权重，并准备验证数据。图像预处理：在验证过程中，输入图像会被预处理以适应模型的要求。这包括调整图像大小、归一化像素值等操作，以确保输入图像符合模型的要求。val.py在验证集上运行模型进行推理。它会将预处理后的图像输入模型，得到模型对图像中目标的预测结果。
使用yolov5训练数据集并利用模型实现游戏脚本
最新发布
qq_57155669的博客
08-09 882
文章介绍了yolov5环境配置、训练数据集以及使用模型的全过程。
Yolov5代码详细注释——val.py
qq_50773198的博客
11-06 2474
在经过漫长的训练之后，就可以对模型进行测试（验证）啦！验证集的作用不容小觑，我们不仅可以在验证集中监控模型训练是否过拟合，还可以用验证集来调整超参数（迭代次数，学习率等等），从而使模型表现越来越好。现在就来看一下这个脚本文件都执行了哪些操作吧~本文主要借鉴了以下两篇文章：1.2.
【YOLOV5-5.x 源码解读】val.py
热门推荐
qq_38253797的博客
08-12 2万+
目录前言0、导入需要的包和基本配置1、parse_opt 前言 源码： YOLOv5源码. 导航: 【YOLOV5-5.0 源码讲解】整体项目文件导航. 这个文件主要是在每一轮训练结束后，验证当前模型的mAP、混淆矩阵等指标。这个文件本来是叫test.py的，但我觉得叫val.py可能更加恰当些，所以改了。 0、导入需要的包和基本配置 import argparse # 解析命令行参数模块 import json # 实现字典列表和
YOLOv5-6.x源码分析（二）---- val.py
JehanRio's Private Blog
04-23 4408
今天又看到了一位博主的分类专栏，更加坚定了我要养成坚持写博客的习惯。昨天把detect.py的源码解读了，今天来解读一下val.py。这个脚本文件主要是在每一轮训练结束后，验证当前模型的mAP、混淆矩阵等指标，并修改train.py的参数。这个脚本主要运用在train.py中的run函数里面，直接调用，当然也可以在模型训练完毕后，运行该脚本，进行模型的评估。预计我会自顶向下，来解读每一个脚本文件。这部分代码主要是对train.py训练后的ing进行评估和验证。难点在于。
YOLOv5教程-如何使用他人的数据集进行训练+测试评估模型
m0_62237233的博客
05-08 8774
上面这篇文章是教大家从无到有如何diy一个权重模型用于目标检测，对水项目的本科生而言（比如我），大头时间都花在找数据集和标注数据集上了。许多朋友问过我数据集在哪找，这篇教程是我的想法，但许多也都是图片集，缺少标注文件。但有一些比赛和开源项目会提供图片+标注数据集供参赛选手，比如这个小比赛提供了现成的数据集，附上说明图片最后教大家调用val.py进行测试并得到相关数据。
Py-tricks.py
03-21
y俩 :snake: @担# Different ways to test multiple# flags at once in Pythonx , y , z = 0 , 1 , 0if x == 1 or y == 1 or z == 1 : print ( "passed_1" ) # passed_1if 1 in ( x , y , z ): print ( "passed_2" )...
PyPI 官网下载 | json_tricks-2.2-py2.py3-none-any.whl
02-08
**PyPI 官网下载 | json_tricks-2.2-py2.py3-none-any.whl** 在Python的开发环境中，PyPI（Python Package Index）是最重要的资源库，它为开发者提供了一个广泛的开源软件包和模块集合。"PyPI 官网下载 | json_...
yoloV4.pdf
04-29
YOLOv4的论文作者Alexey Bochkovskiy等人详细讲解了各种训练技巧（tricks）的效果，并提出了适用于大多数模型、任务和数据集的通用特征。这些通用特征包括加权残差连接（WRC）、跨阶段部分连接（CSP）、跨小批量归一...
PyPI 官网下载 | json_tricks-3.13.4-py2.py3-none-any.whl
02-04
**PyPI 官网下载 | json_tricks-3.13.4-py2.py3-none-any.whl** PyPI（Python Package Index）是Python开发者的重要资源库，它提供了大量可重复使用的Python软件包和模块。`json_tricks`是其中的一个流行库，主要为...
YOLOv5系列(八) 解析验证部分val(详尽)
weixin_44302770的博客
11-28 2458
前言 本篇文章主要是对YOLOv5项目的验证部分。这个文件之前是叫test.py，后来改为val.py。 在之前我们已经学习了推理部分detect.py和训练部分train.py这两个，而我们今天要介绍的验证部分val.py这个文件主要是train.py每一轮训练结束后，用val.py去验证当前模型的mAP、混淆矩阵等指标以及各个超参数是否是最佳， 不是最佳的话修改train.py里面的结构；确定是最佳了再用detect.py去泛化使用。 总结一下这三个文件的区别： detect.py： 推理部分。获取实
yolov5 test.py val.py detec.py 区别在哪里呢?
orDream的博客
12-22 2万+
yolov5 test.py val.py detec.py 区别在哪里呢? 用户在训练数据的时候必须使用 train.py 来进行 数据训练和验证，但我很难理解detect.py 和test.py 之间的区别。应该在一个数据集中的（看不见的）测试数据上运行这两者中的哪一个？ 首先: test.py 最近被重命名为 val.py！ 这 3 个文件是为不同目的而设计的，并使用具有不同设置的不同数据加载器。 train.py 数据加载器旨在兼顾速度和准确性， val.py 旨在获得验证数据集上的最佳 mAP
YOLO-V5 系列算法和代码解析（七）—— 【val.py】指标评估
DAOCHI
02-07 2003
文章目录： 调试设置； 前置知识； 整体结构； 核心函数；
YOLOv5目标检测学习（7）：验证部分val.py简要分析；训练、验证、推理三文件的关系
qq_53092944的博客
03-20 3377
save txt"""Arguments:Returns:"""# 计算指标的关键函数之一# iou：[0.5:0.95]，10个不同的iou阈值下，计算标签与预测的匹配结果，存于矩阵，标记是否预测正确def run(data,......):"""# 函数run()的处理流程如下：1. 加载模型；2. 加载数据；3. 网络预测，NMS处理；4. 计算AP，mAP；5. 绘制指标图；6. 保存结果；"""# 运行相关参数定义# 入口函数。
YOLOv5解析 | 第二篇：用YOLOv5训练自己的数据集（超级详细完整版）
“365天深度学习训练营”报名进行中～
05-10 7615
大家好，我是K同学啊！ 我们接着上一篇文章 深度学习100例 | 第51天-目标检测算法（YOLOv5）（入门篇） 配置完YOLOv5需要的环境后，今天我们试着用YOLOv5训练自己的数据。（在开始本教程前，记得先跑一遍入门篇，确保其他环境是正常的） 有图有真相，先看看我昨天的运行结果 【YOLOv5 源码地址】 🚀 我的环境： 语言环境：Python3.8 编译器：PyCharm 深度学习环境： torch==1.10.0+cu113 torchvision==0.11.1+cu113
YoloV5 模型自定义评估-误报、漏报、错报
ntw516的专栏
06-17 5204
YoloV5模型训练成功后，可以通过自带的val.py文件进行评估分析，其提供mAp、Iou以及混淆矩阵等，很好，但是……领导不认可……/(ㄒoㄒ)/~~。领导要的是最直观的东西，比如这个模型识别目标的准确率，还有误报率等……。那么，领导的要求就是我们开发的方向：为了得到准确率以及误报、漏报、错报的情况，需要使用模型检测已经标注过的样本，将检测结果与标注进行比对。YoloV5的val.py文件已经实现了大部分功能，可以直接拿来改造：首先，原文件中对预测结果的NMS处理函数调用如下： val.py本来的一
YOLOv5在验证集上进行测试
weixin_46751388的博客
07-30 1万+
YOLOv5的作者在2021年7月14日已经将test.py更名为val.py，以及使用test.py在验证集进行测试
yolov5的Tricks
09-12
YOLOv5中使用的Tricks基本上和YOLOv4一致，并在此基础上引入了更多的工程优化逻辑。具体来说，YOLOv5使用了一些技巧来提高物体检测的准确性和效率。其中一些Tricks包括： 1. Mosaic数据增强：YOLOv5使用了Mosaic数据增强技术，将多个不同的训练图像拼接成一个大的训练图像，从而提高了模型的泛化能力和鲁棒性。 2. DropBlock正则化：YOLOv5使用了DropBlock正则化技术，通过随机丢弃一些特征图上的区域，来防止模型过拟合，并提高模型的泛化能力。 3. PANet特征融合：YOLOv5引入了PANet（Path Aggregation Network）特征融合模块，可以在不同尺度上融合特征，从而提高物体检测的准确性。 4. CSPDarknet53骨干网络：YOLOv5使用了CSPDarknet53作为骨干网络，该网络结构在YOLOv4的基础上进行了改进，提高了网络的表达能力和特征提取能力。 这些Tricks的使用使得YOLOv5在物体检测任务中取得了较好的性能，同时也提高了训练和推理的效率。
评论 12
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

打赏作者

Clichong

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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