1.3 PR曲线 1.4 AP与mAP 2. 训练结果评价 2.1权重文件夹——weights 2.2 混淆矩阵——Confusion Matrix 2.3 F1分数——F1-score 2.4 可视化文件——events.out.tfevents 2.5 hyp.yaml和opt.yaml 2.6 P曲线——P_curve 2.7 R曲线——R_curve 在深度学习目标检测领域,YOLOv5成为了备受关注的模型之一。训练结束...
一、confusion_matrix.png —— 混淆矩阵 二、F1_curve.png —— F1曲线 三、labels.jpg —— 标签 四、labels_correlogram.jpg —— 体现中心点横纵坐标以及框的高宽间的关系 五、P_curve.png —— 单一类准确率 六、R_curve.png —— 单一类召回率 七、PR_curve.png —— 精确率和召回率的关系图 ...
(F1_curve.png) if plot: plot_pr_curve(px, py, ap, Path(save_dir) / 'PR_curve.png', names) #画pr曲线 plot_mc_curve(px, f1, Path(save_dir) / 'F1_curve.png', names, ylabel='F1') #画F1_conf曲线 plot_mc_curve(px, p, Path(save_dir) / 'P_curve.png', names, ylabel='...
PR_curve: 精确度和召回率的关系曲线。毫无疑问,我们希望R越低越好,P越高越好,但这是矛盾的,前者需要置信度阈值降低,后者需要置信度阈值增高,它们是一对矛盾的性能度量指标。 于是有了PR_curve,精确度和召回率曲线,此处的P为mAP(mean Average Precision),即平均精度, 毫无疑问,我们希望P与R都能到1,即曲线围...
以PR-curve为例,可以看到我们的模型在验证集上的均值平均准确率为0.755。 (二)预测过程 执行predict.py得到的结果如下图所示,图中动物的种类和置信度值都标注出来了,预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统,在界面上选择图片、视频或摄像头然后调用模型进行检测。
MaskPR_curve 测试分割模型 参考 前言 前提条件 熟悉Python 相关介绍 Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell),随着版本的不断更新和语言新功能的添加,越多被用于独立的、大型项目的开发。
以PR-curve为例,可以看到我们的模型在验证集上的均值平均准确率为0.546。从训练结果和数据集进行分析,存在一定干扰样本,部分数据集图像中的垃圾相互遮盖,垃圾存在的环境复杂多变,很容易造成模型误检。 3.智能生活垃圾检测 在训练完成后得到最佳模型,接下来我们将帧图像输入到这个网络进行预测,从而得到预测结果,预测方法...
train# 训练模型,输出内容,模型(最好、最新)权重、混淆矩阵、F1曲线、超参数文件、P曲线、R曲线、PR曲线、结果文件(loss值、P、R)等expn expn# 第n次实验数据 confusion_matrix.png# 混淆矩阵 P_curve.png# 准确率与置信度的关系图线 R_curve.png# 精准率与置信度的关系图线 ...
以PR-curve为例,可以看到我们的模型在验证集上的均值平均准确率为0.755。 (二)预测过程 执行predict.py得到的结果如下图所示,图中动物的种类和置信度值都标注出来了,预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统,在界面上选择图片、视频或摄像头然后调用模型进行检测。
以PR-curve为例,可以看到我们的模型在验证集上的均值平均准确率为0.945。 3.瓶子检测识别 在训练完成后得到最佳模型,接下来我们将帧图像输入到这个网络进行预测,从而得到预测结果,预测方法(predict.py)部分的代码如下所示: python defpredict(img):img = torch.from_numpy(img).to(device)img = img.half()ifha...