YOLO10训练结果

YOLO10训练结果

Ultralytics YOLOv8.1.34 🚀 Python-3.9.19 torch-2.4.0 CUDA:0 (NVIDIA GeForce RTX 4060 Laptop GPU, 8188MiB) YOLOv10s-cf summary (fused): 293 layers, 8035734 parameters, 0 gradients, 24.4 GFLOPs Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 1/1 [00:00<00:00, 4.41it/s] all 33 49 0.944 0.918 0.965 0.708 Speed: 0.2ms preprocess, 4.8ms inference, 0.0ms loss, 0.0ms postprocess per image

• 为什么是YOLOv8.1.34？因为YOLO10是基于YOLOv8.1.34进行重构的、所以日志有YOLOv8.1.34

解析

YOLOv8.1.34 训练结果总结了模型在测试集上的表现。下面是对各项指标的解释：

1. Class: 类别。这是测试集中包含的所有目标类别的总和。
2. Images: 图像数量。在这个测试中，有 33 张图像用于评估模型。
3. Instances: 实例数量。在这些图像中，总共检测到 49 个目标实例。
4. Box(P: 盒子级别的精确率（Precision）。表示模型在所有预测的框中，有多少比例是真正的正例。在此结果中，精确率为 0.944，意味着模型预测的框中有 94.4% 是准确的。
5. Box(R: 盒子级别的召回率（Recall）。表示模型在所有实际的目标框中，有多少比例被正确检测到。召回率为 0.918，意味着模型检测到了 91.8% 的实际目标框。
6. mAP50: 在 IoU 阈值为 0.5 时的均值平均精度（mean Average Precision）。它衡量了模型的整体检测能力。在此结果中，mAP50 为 0.965，表示模型在 IoU 阈值为 0.5 时，平均检测精度为 96.5%。
7. mAP50-95: 在 IoU 阈值从 0.5 到 0.95 的范围内的均值平均精度。这个指标衡量了模型在更严格条件下的检测能力。在此结果中，mAP50-95 为 0.708，表示模型在不同的 IoU 阈值下的平均检测精度为 70.8%。
8. Speed:
   • Preprocess: 图像预处理时间，0.2ms 表示每张图像预处理花费的时间。
   • Inference: 推理时间，4.8ms 表示每张图像的推理（即检测）花费的时间。
   • Loss: 损失计算时间，这里为 0.0ms，表示损失计算时间几乎可以忽略。
   • Postprocess: 后处理时间，这里为 0.0ms，表示后处理时间也几乎可以忽略。