yolo中可视化结果指标

已于 2024-08-06 15:52:37 修改
阅读量226 收藏 1
点赞数 8
分类专栏： detection baseknowledge 文章标签： YOLO
于 2024-08-06 15:51:59 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/zhaosuyuan/article/details/140957970
版权

yolo中可视化结果指标

准确率 Accuracy=(TP+TN)/(TP+FP+TN+FN) 正样本判断对的+负样本判断对的/所有图像
精确率 Precision=TP/(TP+FP) 正样本判断对的/所有预测正样本 相当于不管负样本效果，ACC中拆分出正样本，涉及误检问题
召回率 Recall=TP/(TP+FN) 正样本判断对的/所有GT正样本 只找到这些正样本的概率，涉及漏检问题

混淆矩阵
混淆矩阵confusion matrix 监督学习中
匹配矩阵 无监督学习中
横坐标GT，纵坐标Predicted

P曲线
Confidence~Precision 大于Confidence时，Precision大小
曲线越靠近左上角，模型效果越好
确定阈值

R曲线
Confidence~Recall 大于Confidence时，Recall率大小
曲线斜率越陡峭，较高置信度仍能保持高召回率
曲线越靠近右上角，模型越好
R曲线可以评估模型和找到一个合适的阈值，平衡recall和精确率
确定阈值

PR曲线
Recall~Precision 召回率和精确率
召回越高，confidence越小，precision越低
曲线越靠近右上角，模型效果越好

F1-Score
F1分数是分类的衡量标准，是pre和recall的调和平均数，[0,1],越大越好
confidence~F1-Score

mAP@0.5
IoU阈值大于0.5时的平均mAP
mAP@0.5:0.95
不同IoU阈值 [0.5,0.55,0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95]上平均mAP

box loss：框位置loss
obj loss：置信度，判定为目标概率框中是否包含目标
cls loss：目标分类loss

labels.png
目标中心点x,y占比统计

zhaosuyuan
关注
  • 8
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLO训练过程参数可视化
04-09
本主题将详细探讨YOLO v2的训练过程参数可视化，以及提供的三个Python脚本的作用。 首先，YOLO v2是对原版YOLO的改进版本，它引入了多尺度训练、锚框（Anchor Boxes）以及卷积层的批量归一化等技术，显著提高了目标...
YOLO V8 模型权重和main方法
09-20
6. **可视化**：如果需要，将检测结果绘制在原始图像上，展示检测结果。 7. **性能评估**：可能包括计算平均精度（mAP）或其他指标来评估模型的检测性能。 总之，YOLO V8模型权重文件和`main.py`结合，构成了一个...
YOLO COCO128
01-10
这个文件可能会设置实验参数，加载COCO128数据集，定义YOLO模型，进行训练或测试，并可能包含结果的可视化代码。`coco128`可能是一个目录，里面包含了COCO128数据集的相关文件，如图片、标注信息等。 对于想深入...
从零开始学习YOLO.pdf
06-27
使用可视化工具展示模型预测结果，便于理解和调试。 #### 三、YOLOv3的数据组织与处理 YOLOv3中的数据加载和预处理流程对于模型训练至关重要。 - **标注格式**：通常采用Pascal VOC或COCO格式。 - **数据加载**：...
YOLO算法测试数据（OpenCV）
03-11
OpenCV的实现不仅涵盖了模型加载、图像预处理、特征提取、边界框预测等关键步骤，还提供了可视化功能，可以方便地展示检测结果。 三、测试数据集 本数据集为YOLO算法的测试提供了多样化的图像样本，这些图像中可能...
【论文笔记】：PVswin-YOLOv8s：基于无人机的行人和车辆检测，使用改进的YOLOv8在智能城市中进行交通管理
2301_80365008的博客
08-14 410
PVswin-YOLOv8s采用了Swin Transformer、CBAM和Soft-NMS等多种先进技术，以提高检测性能。在网络结构方面，PVswin-YOLOv8s使用了Swin Transformer替换YOLOv8s中的最后一层C2f层，以捕捉长距离依赖关系和多样化本地信息。同时，在颈部网络中加入了CBAM模块，以增强特征信息流的提取能力同时解决漏检问题。最后，使用Soft-NMS代替NMS，以解决多个物体重叠的问题。
yolo 训练自己的数据集
m0_73406727的博客
08-14 182
训练自己的数据集
RV1126 部署自己训练的yolov8
08-09 159
如果不用这个方式，outputs会是一个，导致后面的无法正常使用。RK的GIT上相关的问题，都没人回答，这是一个坑，被我踩了一次。cd到toolkit的examples->common_function_demos->export_rknn_precompile_model文件夹下，将刚刚得到的best.rknn模型拷贝进去。采用rknn_toolkit-1.7.5-cp38-cp38-linux_x86_64.whl。进入rknn_model_zoo/example/yolov8/python。
YOLOv8部署的4种不同部署方式推理速度对比：pytorch、onnx、ncnn、tflite
qq_30895747的博客
08-05 469
YOLOv8部署的4种不同部署方式推理速度对比：pytorch、onnx、ncnn、tflite
【小本本笔记】yolov8跑模型缓慢，内存提示不足？
2301_80365008的博客
08-10 288
Closing dataloader mosaic 是指在数据加载过程中，特别是在使用 Mosaic 数据增强时，PyTorch 的 DataLoader 组件正在关闭相关的处理程序或进程。Mosaic 数据增强是一种将多张图像拼接在一起生成新图像的技术，用于提升模型的泛化能力。close_mosaic: 禁用mosaic增强的最后第几个轮次。这是因为opencv对输入的图片像素是有限制的，图片像素过大，opencv算出来的值超过了int的最大值，就会报错。跑模型跑的慢 ，gpu-mem=0是什么意思。
YOLOv8入门 | 实用脚本 | 绘制多个实验的loss、mAP@0.5、mAP@0.5:0.95的高级图像【科研必备 + 绘图神器】
kay_545
08-10 976
yolov8实验结果画图，yolov8，论文画图
如何利用YOLOv8训练自己的数据集 && 3种加载模型场景讲解
最新发布
qq_44231797的博客
08-14 444
本文主要介绍一下如何利用YOLOv8训练自己的数据集，并详细说明3种加载模型方式和使用场景。如果需要从头开始训练一个模型，可以选择从YAML文件构建新模型。如果想要直接使用预训练模型进行预测或微调，可以选择从预训练权重构建模型。如果需要修改模型结构并利用预训练权重，可以选择从YAML文件构建新模型，并将预训练权重转移到新模型。
复现YOLOv8语义分割训练自己的数据集
m0_56182552的博客
08-12 343
训练过程首先会显示你所使用的训练的硬件设备信息，然后下一段话则是你的参数配置，紧接着是backbone信息，最后是加载信息，并告知你训练的结果会保存在runs\segment\trainxx。（1）修改数据加载配置文件，在E:\project\MODEL\YOLO\yolov8-8.2.76\ultralytics-8.2.76\ultralytics\cfg\datasets。三、训练自己的数据集，segment数据集是json格式的。如果想使用多卡训练，device='\0,1,2,xxx\'
基于YOLOv8-pose的手部关键点检测（1）- 手部关键点数据集获取（数据集下载、数据清洗、处理与增强）
qq_40387714的博客
08-14 654
手部姿态估计、手势识别和手部动作识别等任务时，可以转化为对手部关键点的分布状态和运动状态的估计问题。本文主要给出手部关键点数据集获取的方式。总共获取三个数据集：handpose_v2、HaGRID-pose和hand_keypoint_26K。正样本总计：593,661张图片（53.33W张用于训练，6.04W张用于验证和测试）。
树莓派4/5：运行YOLOv5模型（环境配置与镜像下载）
weixin_43034503的博客
08-10 930
因国内网络问题，可直接烧录文末镜像文件，或者按照本教程进行手动操作。
改进YOLOv5 | 在 C3 模块中添加【SE】【CBAM】【 ECA 】【CA】注意力机制 | 附详细结构图
weixin_39818775的博客
08-14 264
在YOLOv5的C3模块中添加注意力机制是一种有效的改进方法，可以显著提升模型的性能。不同的注意力模块具有不同的特点，选择合适的注意力模块需要根据具体的任务和数据集进行实验。未来，随着深度学习技术的不断发展，注意力机制将会得到更加广泛的应用。研究者们可以探索新的注意力机制，或者将注意力机制与其他技术结合起来，以进一步提升模型的性能。
【YOLOv5/v7改进系列】替换Neck为Gold-Yolo特征融合网络
2401_84870184的博客
08-14 586
Gold-YOLO是一种高效的物体检测模型，它通过一种新的机制——Gather-and-Distribute（GD）机制来增强多尺度特征融合的能力，从而在保证实时性能的同时提高了检测精度。
yolo v8 + flask部署到云服务器，以及问题记录
gzyh_tech的博客
08-08 265
1、运行项目报错：no python application found, check your startup logs for errors。2、运行项目报错：RuntimeError: operator torchvision::nms does not exist。在云服务器pytorch版本安装错了，安装了GPU版本，需要安装CPU版本。
yolov8 deepsort 检测分割 技术检测，汽车计数跟踪，车辆检测，车辆轨迹追踪，小汽车检测跟踪，目标检测，深度学习（智能交通系统中的车辆检测与跟踪）
2401_83580557的博客
08-13 224
yolov8 deepsort 检测分割 技术检测，汽车计数跟踪，车辆检测，车辆轨迹追踪，小汽车检测跟踪，目标检测，深度学习（智能交通系统中的车辆检测与跟踪）
yolo tensorboard可视化
09-05
您可以通过在训练过程中使用TensorBoard来可视化YOLO模型的训练情况。以下是一些步骤来实现这一点： 1. 安装TensorFlow和TensorBoard：首先，您需要安装TensorFlow和TensorBoard库。您可以使用pip命令来安装它们： ``` pip install tensorflow tensorboard ``` 2. 导入必要的库：在Python代码中，您需要导入以下库： ```python import tensorflow as tf from tensorflow.keras.callbacks import TensorBoard ``` 3. 创建TensorBoard回调函数：在模型训练之前，您需要创建一个TensorBoard回调函数，并将其传递给模型训练过程中的fit()函数。这将记录并保存训练过程中的相关信息，以供TensorBoard使用。 ```python tensorboard_callback = TensorBoard(log_dir='./logs', histogram_freq=1) ``` 在上面的示例中，'./logs' 是保存TensorBoard日志文件的目录。 4. 将回调函数添加到模型训练过程中：在您的模型训练代码中，将TensorBoard回调函数作为callbacks参数传递给fit()函数： ```python model.fit(train_dataset, epochs=10, callbacks=[tensorboard_callback]) ``` 确保您的模型已经定义和编译，并且您有一个用于训练的数据集。 5. 启动TensorBoard服务器：在命令行中，导航到您保存TensorBoard日志文件的目录，并运行以下命令来启动TensorBoard服务器： ``` tensorboard --logdir=./logs ``` 上述命令将启动TensorBoard服务器，并将其绑定到本地主机的默认端口（通常是6006）。 6. 访问TensorBoard可视化：打开您的Web浏览器，并输入以下URL以访问TensorBoard的可视化界面： ``` http://localhost:6006 ``` 请注意，如果您在步骤5中使用了不同的端口，则需要相应地更改URL中的端口号。 通过遵循上述步骤，您将能够使用TensorBoard来可视化YOLO模型的训练情况。您可以查看各种指标、损失函数、准确率和其他相关信息的图表和摘要。
评论
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