按照2.1得到v7、v5、v8验证后的PR_curve.csv、F1_curve.csv后,在两个函数的csv_dict中指明相应的csv位置,即可运行得到整合图(可见博客最上面的效果图) import matplotlib.pyplot as plt import pandas as pd # 绘制PR def plot_PR(): pr_csv_dict = { 'YOLOv5m': r'F:\ChromeDown\yolov5-6.1-pruning...
我们通常用PR曲线来体现精确率和召回率的关系,本文训练结果的PR曲线如下。mAP表示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。mAP@.5:表示阈值大于0.5的平均mAP,可以看到本文模型目标检测的mAP@0.5值为0.849,结果还是很不错的。 3.模型推理 模型训练完成后,我们可以...
反正是测试，epochs改成1，然后写一个yaml:train: /xxx/dataSet/train.txt val: /xxx/valid.txt n...
我们通常用PR曲线来体现精确率和召回率的关系,本文训练结果的PR曲线如下。mAP表示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。mAP@.5:表示阈值大于0.5的平均mAP,可以看到本文模型两类目标检测的mAP@0.5平均值为0.934,结果还是非常不错的。 4. 使用模型进行检测 模型...
我们通过设定不同的置信度的阈值,可以得到在模型在不同的阈值下所计算出的p值和r值,一般情况下,p值和r值是负相关的,绘制出来可以得到如下图所示的曲线,其中曲线的面积我们称AP,目标检测模型中每种目标可计算出一个AP值,对所有的AP值求平均则可以得到模型的mAP值。下图为博主训练路面裂缝检测的PR曲线图。
5.2 PR曲线图 精确率-召回率曲线(PR Curve)是评估分类器性能的重要工具,尤其在目标检测和监控场景中。该曲线通过展示在不同阈值下模型的精确率(precision)和召回率(recall)之间的关系,提供了模型性能的直观视图。现在,我们将对YOLOv8模型的PR曲线进行深入分析。
PR曲线图中每条曲线代表一个类别的性能,曲线下的面积(AUC)越大,表明模型在该类别上的性能越好。根据上图,我们可以看到不同类别的精度和召回率表现出明显的差异。例如,对于“Bus”(巴士)和“Dog”(狗)这两个类别,模型展示出非常高的精度,这可以从它们的PR曲线紧贴右上角和对应的高数值可以看出,“Bus”和“Dog...
通过这个PR曲线图,我们可以总结出模型在车牌检测领域的实用性。它能够高效地在多种车辆类型中准确地识别车牌,这对于实际应用,如交通监控和智能交通系统是非常有利的。同时,模型在汽车和卡车的识别性能上存在差异,为未来的模型优化提供了方向。例如,我们可以通过收集更多卡车的训练数据,或者调整模型结构以更好地适应卡车...
评估方法通常包括计算准确率、召回率和F1分数,以及绘制精度-召回率曲线(PR曲线)和接收者操作特征曲线(ROC曲线)。通过评估模型在验证集上的表现,可以确定模型是否满足预期的检测需求。 二、YOLOv8算法检测基本过程 1.输入图像预处理 在使用YOLOv8算法进行目标检测时,需要对输入图像进行预处理。预处理包括图像尺寸调整、...