YOLO V11 学习笔记1

本文发表于 670 天前，其中的信息可能已经事过境迁

在Yolo训练过程中，我们需要对训练结果进行分析，以便更好地了解模型的性能和训练效果。

基础概念

TP（）：真正例，即模型正确预测为正类别的样本数。
FP（）：假正例，即模型错误预测为正类别的样本数。
TN（）：真负例，即模型正确预测为负类别的样本数。
FN（）：假负例，即模型错误预测为负类别的样本数。
准确率（）：在所有预测为正类别的样本中，确实为正类别的样本的比例，即预测为正类别的样本中有多少是真正的正类别。
公式为： $P r e c i s i o n = \frac{T P}{T P + F P}$
召回率（）：在所有真正的正类别样本中，被正确预测为正类别的样本的比例，即真正的正类别样本中有多少被预测为正类别。
公式为： $R e c a l l = \frac{T P}{T P + F N}$
F1值（）：综合考虑准确率和召回率，是准确率和召回率的调和平均数。
公式为： $F 1 = \frac{2 \times P r e c i s i o n \times R e c a l l}{P r e c i s i o n + R e c a l l} = \frac{2 \times T P}{2 \times T P + F P + F N}$
IoU（）：交并比，是目标检测中常用的评价指标，用于衡量预测框和真实框之间的重叠程度。
公式为： $I o U = \frac{I n t e r s e c t i o n}{U n i o n} = \frac{T P}{T P + F P + F N}$
AP（）：在目标检测中，AP通常指Precision-Recall曲线下的面积，用于综合评估模型的性能。
mAP（）：多类别目标检测中，mAP是所有类别AP的平均值，用于评估整个模型的性能。
P-R curve（）：准确率-召回率曲线，是用来评估模型在不同阈值下的准确率和召回率之间的关系，通常用于评估二分类问题的性能。

训练结果分析

在YOLO训练完成后其训练缓存文件夹结构如下：

shell

.
├── args.yaml
├── confusion_matrix.png
├── confusion_matrix_normalized.png
├── events.out.tfevents.1732165130.Tianli.27344.0
├── F1_curve.png
├── labels.jpg
├── labels_correlogram.jpg
├── PR_curve.png
├── P_curve.png
├── results.csv
├── results.png
├── R_curve.png
├── train_batch0.jpg
├── train_batch1.jpg
├── train_batch2.jpg
├── val_batch0_labels.jpg
├── val_batch0_pred.jpg
├── val_batch1_labels.jpg
├── val_batch1_pred.jpg
├── val_batch2_labels.jpg
├── val_batch2_pred.jpg
└── weights
    ├── best.pt
    └── last.pt

我们的训练模型位于weights文件夹中，其中

best.pt是训练过程中在验证集或测试集上表现最好的模型参数。
last.pt是训练过程中最后一次保存的模型参数。

训练结果分析主要包括以下几个方面：

混淆矩阵（Confusion Matrix）：用于展示模型在不同类别上的预测结果，可以帮助我们了解模型的分类性能。
混淆矩阵
归一化混淆矩阵
混淆矩阵是对分类问题预测结果的总结，通过计数值汇总正确和不正确预测的数量，并按每个类别进行细分，展示了分类模型在进行预测时对哪些部分产生混淆。在图中，X轴表示真实类别，Y轴表示预测类别。
混淆矩阵主要方便我们清晰的了解到分类模型的错误类型，比如哪些类别容易混淆，哪些类别容易被正确分类等。
准确率曲线（P Curve）：用于展示模型在不同阈值下的准确率，可以帮助我们选择合适的阈值。
P曲线
X轴表示阈值，Y轴表示准确率。
曲线越靠近左上角，说明模型在低置信度情况下仍然能够保持较高的准确率，说明模型的分类性能较好。反之，曲线越靠近右下角，说明模型在低置信度情况下准确率较低，说明模型的分类性能较差。
召回率曲线（R Curve）：用于展示模型在不同阈值下的召回率，可以帮助我们选择合适的阈值。
R曲线
X轴表示阈值，Y轴表示召回率。
曲线越靠近右上角，证明其在过滤掉低置信度的预测框后，仍然能够保持较高的召回率，说明模型的分类性能较好。反之，曲线越靠近左下角，说明模型在过滤掉低置信度的预测框后召回率较低，说明模型的分类性能较差。
准确率-召回率曲线（PR Curve）：用于展示模型在不同阈值下的准确率和召回率之间的关系，可以帮助我们选择合适的阈值。
PR曲线
X轴表示召回率，Y轴表示准确率。
PR曲线是准确率和召回率之间的关系曲线，通常情况下，当召回率升高时，精确率会降低，反之亦然。曲线越靠近右上角，说明模型在保持较高召回率的同时，能够保持较高的准确率，说明模型的分类性能较好。
F1值曲线（F1 Curve）：用于展示模型在不同阈值下的F1值，可以帮助我们选择合适的阈值。
F1曲线
X轴表示阈值，Y轴表示F1值。
F1值是准确率和召回率的调和平均数，是综合考虑准确率和召回率的指标。F1值越高，说明模型的分类性能越好。
标签分布图（Labels Correlogram）：用于展示模型在不同类别上的预测结果，可以帮助我们了解模型的分类性能。
标签分布图
标签分布图是对模型在不同类别上的预测结果进行可视化展示，展示目标检测算法在训练过程中对标签之间相关性的建模情况。每个矩阵单元代表模型训练时使用的标签，而单元格的颜色深浅反映了对应标签之间的相关性。
对角线上的颜色代表每个标签自身的相关性，通常是最深的，因为模型更容易学习标签与自身的关系。
可以直观识别到哪些标签之间存在较强的相关性，这对于优化训练和预测效果至关重要。如果发现某些标签之间的相关性过强，可能需要考虑合并它们，以简化模型并提高效率。
结果分析表（Results Table）：用于展示模型在不同类别上的预测结果，可以帮助我们了解模型的分类性能。
结果分析表
结果分析表是对模型在多轮训练中的性能的变化。
其中，有几个重要的指标：
- box_loss：定位损失，量预测框与标注框之间的误差，通过最小化定位损失，使模型可以更准确地定位目标。
- cls_loss：计算锚框对应的分类是否正确，通常使用交叉熵损失函数，其值越小表示分类越准确。通过最小化分类损失，使模型能够准确分类目标。
- dfl_loss：深度特征定位损失，用于解决目标检测中的类别不均衡，并提高模型在处理小目标上和困难样本上的性能。
- metrics/precision：准确率，即模型预测为正类别的样本中有多少是真正的正类别。
- metrics/recall：召回率，即真正的正类别样本中有多少被预测为正类别。
- metrics/mAP50：AP（Average Precision）指标，计算在50% IoU阈值下的平均准确率，用于评估模型的性能。
- metrics/mAP50-95：计算在50%到95% IoU阈值范围内的平均准确率，用于评估模型在不同IoU阈值下的性能。
训练批次图（Train Batch）：用于展示模型在训练集上的预测结果，可以帮助我们了解模型在训练集上的表现。
训练批次图
验证批次图（Validation Batch）：用于展示模型在验证集上的预测结果，可以帮助我们了解模型在验证集上的表现。
验证批次图