內容主要來源：https://blog.csdn.net/qq_42784882/article/details/127386465

當我們的yolov5跑完數據集后，會反饋給我們很多文件，如上圖所示。

前置概念：

基礎概念：

幾個指標：

weights：

此文件夾存放訓練過程最好的和最后一此迭代訓練得到的權重：best.pt和last.pt

confusion混淆矩陣：

左側為預測類，下方為目標真實類，從下方上看。比如，此次訓練，time目標被被訓練得到的模型識別為time的比例為1，即被百分百識別。而have目標識別have的比例0.8左右，另有0.2比例被識別為tea。同理，name目標被錯誤識別為people的比例為0.2左右。

labels.jpg：

左上為每個類別的數量。右上為框的尺寸和數量。

左下為框的中心點坐標。右下為框的長度和寬度。

對應的許是訓練集的數據內容，不知道有沒有驗證集，這一點和具體怎么度量就以后再說吧。

P_curve：

p曲線，即precision精確率曲線。下方的confidence按照我在吳恩達機器學習中學到的內容，理解為模型求解圖片后，對于圖片 存在/是 某一類別的對象，給出的可能性、置信度。我們可以設置圖片置信度的閾值，判斷置信度大于該閾值的圖片屬于該類別，得到模型對該圖片的最終判斷，即是某物。那么圖片就好理解了，即置信度閾值越高，模型才認為圖片是該物品，模型判斷的越準確，這是很自然的，無需解釋。但置信度閾值過高，可能會導致掉那些忽略信度低，但確實有該物品的圖像。

藍線是全體類別判斷精度，灰線則是其余具體的類的精準率_置信度曲線。

R_curve：

Recall/召回率/查全率曲線。Recall即上面公式圖中的TPR對應的Sensitivity：真實值是yes（positive或稱正例，即有要檢測的類別的單個圖片樣本）的樣本的預測結果正確的比例，正例預測正確的比例。即正例查全的比例。顯然，置信度月底，查全率會越高，即不容易漏過有對象的圖片。

藍線，灰線同上。

PR_curve：

精確度和召回率的關系曲線。毫無疑問，我們希望R越低越好，P越高越好，但這是矛盾的，前者需要置信度閾值降低，后者需要置信度閾值增高，它們是一對矛盾的性能度量指標。

于是有了PR_curve，精確度和召回率曲線，此處的P為mAP（mean Average Precision）,即平均精度，

毫無疑問，我們希望P與R都能到1，即曲線圍成最大的正方框，面積接近1。

F1_curve

F1（F1-score）曲線。F1=2*P*R/(P+R)，是P與R的調和平均數，我認為是一種對P與R的綜合度量。1最好，0最差。

引用第一個衡量指標：mAP曲線的面積大小。

result：

橫坐標為輪數（epoch），縱坐標為各類損失，越小，效果越好些。個人認為box為預測標框與標注標框偏差，obj是圖片有無識別出對象偏差，cls為對象分類偏差。

引用第二個衡量指標：“宏觀上一般訓練結果主要觀察精度和召回率波動情況，波動不是很大則訓練效果較好；如果訓練比較好的話圖上呈現的是穩(wěn)步上升?！?/span>

ok，認識完畢了，開始觀察自己的訓練結果，研究訓練方向吧。