yolov5训练后会产生runs文件夹,其中的train文件夹中的exp文件夹里存放的即是训练后模型的各种信息,里面的weights文件夹即放置模型权重参数,其余的文件即为各种性能指标信息。 目录 一、confusion_matrix.png —— 混淆矩阵 二、F1_curve.png —— F1曲线 三、labels.jpg —— 标签 四、labels_correlogram.jpg —...
confusion_matrix.png(混淆矩阵) 在yolov5的训练结果中,confusion_matrix.png文件是一个混淆矩阵的可视化图像,用于展示模型在不同类别上的分类效果。混淆矩阵是一个n×n的矩阵,其中n为分类数目,矩阵的每一行代表一个真实类别,每一列代表一个预测类别,矩阵中的每一个元素表示真实类别为行对应的类别,而预测类别为列对...
confusion_matrix PR_curves val_batch_labels and val_batch_pred: 验证batch真实标注和预测结果3.detects: 保存了测试结果,为测试集中每一个输入的标注图像文件和标注框信息txt文件(class,x,y,w,h)7. 附件 7.1 train.py ###PARAMETERS### GPU = '4' #GPU编号 batch_size = 16 image_size = 640 epoc...
best为训练的最好的一次权重,用于预测。last为最后一次训练的权重。 3.args.yaml(记录了任务、模型、轮数、配置文件、是否保存等一些文件) 4.confusion_matrix.png(混淆矩阵) 行是预测结果,列是真实结果。第一列之和是fire数量,被分别预测为fire,smoke,background。 5.confusion_matrix_normalized.png 里面是预测...
confusion_matrix_normalized.png 训练batch 验证batch 模型推理 五、获取方式 摘要: 火灾烟雾的及时检测对于人们的生命财产安全至关重要。然而,在大多数情况下,火灾往往在被发现时已经进展到了难以控制的阶段,这导致了严重的后果。为了解决这一问题,我们提出了基于深度学习技术的火灾烟雾检测系统。本项目使用了Yolov8算法...
下面是是混淆矩阵的归一化版本,对应的图片是confusion_matrix_normalized.png。这里可以更清晰地展示模型在各类别上的性能表现。我们也可以看到第13类别数据为空。 好了。就讲这么多吧。这已经可以反映出90%的问题了。至于其他的文件和结果,那就更加专业了,一般用不到。能关注的一般都是业内的人,不用我讲。不了解...
在YOLOv5的训练结果中,confusion_matrix.png文件是一个混淆矩阵的可视化图像,用于展示模型在不同类别上的分类效果(我这个就是一个fire的单类,所以看得不明显)。 混淆矩阵是一个n×n的矩阵,其中n为分类数目,矩阵的每一行代表一个真实类别,每一列代表一个预测类别,矩阵中的每一个元素表示真实类别为行对应的类别,...
matrix.sum(1) - tp # false positives # fn = self.matrix.sum(0) - tp # false negatives (missed detections) return tp[:-1], fp[:-1] # remove background class @TryExcept('WARNING ⚠️ ConfusionMatrix plot failure') def plot(self, normalize=True, save_dir='', names=())...
现在来看YOLOv5输出的混淆矩阵代码部分,代码主要位于metrics.py的ConfusionMatrix类中。 代码语言:javascript 复制 classConfusionMatrix:# Updated versionofhttps://github.com/kaanakan/object_detection_confusion_matrix def__init__(self,nc,conf=0.25,iou_thres=0.45):""" ...
confusion_matrix.png :列代表预测的类别,行代表实际的类别。其对角线上的值表示预测正确的数量比例,非对角线元素则是预测错误的部分。混淆矩阵的对角线值越高越好,这表明许多预测是正确的。 PR_curve.png :PR曲线中的P代表的是precision(精准率),R代表的是recall(召回率),其代表的是精准率与召回率的关系。