看懂Faster-Rcnn 以及YOLOv5的结果

Faster-Rcnn

训练

训练命令

# 训练
python trainval_net.py --dataset pascal_voc --net vgg16 --bs 4 --nw 0 --lr 0.001 --lr_decay_step 5 --cuda

• –bs batchsize一次训练所选样本数
• –nw number worker 取决于GPU能力，不行就取0，慢一点
• –lr 学习率

[session 1][epoch  1][iter    0/  93] loss: 2.6911, lr: 1.00e-03
fg/bg=(4/508), time cost: 4.584736
rpn_cls: 0.6750, rpn_box: 0.3954, 
rcnn_cls: 1.6207, rcnn_box 0.0001
save model: models/res101/pascal_voc\faster_rcnn_1_1_92.pth

• batch size：批处理大小。一次训练所选取的样本数。 它的大小影响模型的优化程度和速度。
• Iteration：迭代次数。一次Iteration就是batch size个训练数据前向传播和反向传播后更新参数的过程。
• epoch：所有训练数据前向传播和反向传播后更新参数的过程。也就是我们认为的所有数据集跑了一遍。
  如果训练集大小是100000。batchsize为100，那么一个epoch需要1000次Iteration。
• fg前景 bg后景
• RPN 是一个输入global future map，输出许多可能ROI的网络
• cls loss 分类损失
• bbox regression loss 回归损失

测试结果

VOC07 metric? Yes
AP for break = 0.8306
AP for error_break = 0.7694
C:\Users\hid\PycharmProjects\fasterfcnn\lib\datasets\voc_eval.py:205: RuntimeWarning: invalid value encountered in true_divide
  rec = tp / float(npos)
AP for strip = 0.0000
AP for white_break = 1.0000
Mean AP = 0.6500
~~~~~~~~
Results:
0.831
0.769
0.000
1.000
0.650
~~~~~~~~

--------------------------------------------------------------
Results computed with the **unofficial** Python eval code.
Results should be very close to the official MATLAB eval code.
Recompute with `./tools/reval.py --matlab ...` for your paper.
-- Thanks, The Management
--------------------------------------------------------------
test time: 10.5248s

从数学公式理解：
混淆矩阵
True Positive(真正，TP)：将正类预测为正类数 True
Negative(真负，TN)：将负类预测为负类数
False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)
False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)
准确率（Accuracy）:ACC=(TP+TN)/(Tp+TN+FP+FN)
精确率(precision):P=TP/(TP+FP)（分类后的结果中正类的占比）
召回率（recall）:recall=TP/(TP+FN)(所有正例被分对的比例）

• AP 就是 PR曲线下的面积，这里average，等于是对recall取平均。
• mAP 平均精度

YOLOv5

获得结果如下：

• weights：权重，分最好和最后

• confusion_matrix ：混淆矩阵，横轴是预测类别，纵轴是真实类别；

• F1 curve ，是分类问题的衡量指标，1最好，0最差。召回率和精确率同等重要的情况下的指标
  

• P curve 准确率和置信度的关系图
  

• PR-curve 精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。PR曲线下围成的面积即AP，所有类别AP平均值即Map
  

• results.pngBox：YOLO V5使用 GIOU Loss作为bounding box的损失，Box推测为GIoU损失函数均值，越小方框越准；
  Objectness：推测为目标检测loss均值，越小目标检测越准；
  Classification：推测为分类loss均值，越小分类越准；
  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）。
  val BOX: 验证集bounding box损失
  val Objectness：验证集目标检测loss均值
  val classification：验证集分类loss均值
  mAP是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。

mAP@.5:.95（mAP@[.5:.95]）
表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。

mAP@.5：表示阈值大于0.5的平均mAP

一般训练结果主要观察精度和召回率波动情况（波动不是很大则训练效果较好）
然后观察mAP@0.5 & mAP@0.5:0.95 评价训练结果。

参考：参考1