yolov5 训练过程中的监控指标说明

1、参数的具体含义及其重要性

  1. epoch: 训练迭代次数,表示模型已经进行了多少轮的训练。这是模型训练的基本计数单位,对于跟踪训练进度至关重要。

  2. train/box_loss: 训练过程中边界框(bounding box)预测的损失值。这反映了模型在定位对象方面的能力。

  3. train/obj_loss: 训练过程中对象存在性(objectness)预测的损失值。这涉及模型判断图像中是否存在特定对象的能力。

  4. train/cls_loss: 训练过程中类别(classification)预测的损失值。这关注于模型识别对象类别的准确性。

  5. metrics/precision: 精确度,表示预测为正的样本中真正为正的比例。高精度表示模型具有较少的假阳性预测。

  6. metrics/recall: 召回率,表示实际为正的样本中被正确预测为正的比例。高召回率意味着模型能够找到大部分真实对象。

  7. metrics/mAP_0.5: 平均精度(mean Average Precision)@ IoU=0.5,这是一个综合性能指标,反映模型在所有类别上的平均检测精度。

  8. metrics/mAP_0.5:0.95: 平均精度@多个IoU阈值(从0.5到0.95),提供更全面的模型定位能力评估。

  9. val/box_loss: 验证集上的边界框损失值,用于评估模型在未见过的数据上的定位性能。

  10. val/obj_loss: 验证集上的对象损失值,评估模型在未见过的数据上检测对象存在的能力。

  11. val/cls_loss: 验证集上的分类损失值,评估模型在未见过的数据上分类对象的能力。

  12. x/lr0, x/lr1, x/lr2: 学习率(learning rate)的调度状态,通常用于展示如何根据训练进程调整学习率,比如在不同的训练阶段使用不同的学习率。

重点监控参数

  • epoch: 了解模型训练的整体进度。
  • train/box_loss, train/obj_loss, train/cls_loss: 观察模型在各项任务上的表现和损失下降趋势。
  • metrics/mAP_0.5: 这是评估模型质量的关键指标,反映了模型的泛化能力。
  • val/box_loss, val/obj_loss, val/cls_loss: 验证集上的损失值是评估模型过拟合和泛化能力的重要参考。
  • metrics/precision, metrics/recall: 精确度和召回率可以提供模型性能的不同视角,有助于理解模型在不同情况下的表现。

2、计算方法

1. Epoch

  • 定义: Epoch 表示训练过程中所有数据被完整地遍历一次。
  • 计算方法: 无需计算,每完成一轮训练更新一次。
  • 应用场景: 用于监控训练进度和确定模型的训练时间。

2. train/box_loss, val/box_loss

  • 定义: 边界框(Bounding Box)损失,通常使用如IoU(Intersection over Union)损失或平滑L1损失等。
  • 计算方法:
    • IoU损失 = 1 - (预测框与真实框的交集 / 预测框与真实框的并集)
    • 平滑L1损失 = 平滑函数(|真实值 - 预测值|)
  • 应用场景: 评估模型在定位任务上的性能,即预测对象的位置准确性。

3. train/obj_loss, val/obj_loss

  • 定义: 对象存在性损失,通常使用二元交叉熵(Binary Cross-Entropy, BCE)损失。
  • 计算方法:
    • BCE损失 = -(真实标签 * log(预测值) + (1 - 真实标签) * log(1 - 预测值))
  • 应用场景: 评估模型在检测对象是否存在的任务上的性能。

4. train/cls_loss, val/cls_loss

  • 定义: 分类损失,通常使用多类交叉熵(Categorical Cross-Entropy, CCE)损失。
  • 计算方法:
    • CCE损失 = -Σ(真实类别 * log(预测类别概率))
  • 应用场景: 评估模型在对象分类任务上的性能。

5. metrics/precision, metrics/recall

  • 定义: 精确度(Precision)和召回率(Recall)。
  • 计算方法:
    • Precision = TP / (TP + FP)
    • Recall = TP / (TP + FN)
    • TP: True Positives, FP: False Positives, FN: False Negatives
  • 应用场景: 评估模型的预测准确度和覆盖范围,常用于不平衡数据集。

6. metrics/mAP_0.5, metrics/mAP_0.5:0.95

  • 定义: 平均精度(Mean Average Precision),是多个IoU阈值的平均精度的平均值。
  • 计算方法:
    • 对于每个类别,计算不同召回率下的精度,并按召回率进行插值。
    • 对所有类别的AP求平均值得到mAP。
  • 应用场景: 广泛用于评估目标检测模型的整体性能。

7. x/lr0, x/lr1, x/lr2

  • 定义: 学习率调度器的状态。
  • 计算方法: 根据预先设定的调度策略(如step decay, cosine annealing等)调整学习率。
  • 应用场景: 控制训练过程中的学习速率,以期在训练早期加速学习并防止后期过拟合。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/40958.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【CT】LeetCode手撕—93. 复原 IP 地址

目录 题目1- 思路2- 实现⭐93. 复原 IP 地址——题解思路 3- ACM 实现 题目 原题连接:93. 复原 IP 地址 1- 思路 模式识别:给一个 String 字符串 ——> 复原 IP 地址 ——> 回溯三部曲 ,回溯的切割问题 ——> 实现一个左闭右闭区间…

利用redis数据库管理代理库爬取cosplay网站-cnblog

爬取cos猎人 数据库管理主要分为4个模块,代理获取模块,代理储存模块,代理测试模块,爬取模块 cos猎人已经倒闭,所以放出爬虫源码 api.py 为爬虫评分提供接口支持 import requests import concurrent.futures import …

银河麒麟高级服务器操作系统(通用)安装和编译指定的python3版本

银河麒麟高级服务器操作系统(通用)安装和编译指定的python3版本 一 系统环境二 安装python3.12.42.1 安装编译需要的依赖包2.2 下载官网目前最新的python源码包2.3 解压Python-3.12.4.tar.xz2.4 配置python-3.12.42.5 编译安装2.6 配置环境变量使其生效2…

Artificial Intelligence Self-study

Artificial Intelligence Self-study Traditional AI (Symbolic AI) 基于:符号表示 数理逻辑 搜索 - 有明确规则,依靠算力。Appliance : 数学难题(Heuristic Algorithm),棋牌对抗(围棋),专家系统(输入病症&#xf…

linux安装jdk1.8(无废话版)

文章目录 1、下载安装包2、创建文件目录,并将安装包上传到该目录下3、解压安装包4、配置环境变量5、加载配置文件6、验证 前言:linux系统以ubuntu20.04.6版本为例,jdk版本jdk-8u411-linux-x64.tar.gz版本为例 1、下载安装包 jdk下载地址&am…

Python中列表推导式的概念以及示例

列表推导式(List Comprehension)是Python中一种简洁而强大的工具,用于从现有的可迭代对象(如列表、元组、字符串等)中快速生成新的列表。它提供了一种优雅的方式来表达循环和条件逻辑,以生成列表。列表推导…

2. 创建kvm虚拟机

创建kvm虚拟机 一、创建kvm虚拟机1、virt-manager 图形化工具2、virt-install 命令行工具3、查看虚拟机 一、创建kvm虚拟机 1、virt-manager 图形化工具 2、virt-install 命令行工具 [rootlocalhost ~]# virt-install --namevm02_centos79 \ > --graphics vnc,listen0.0.0…

linux下删除当前路径下的所有文件夹但保留文件

打开终端,输入, find . -mindepth 1 -maxdepth 1 -type d -exec rm -r {} 解释: find是查找文件和文件夹的命令。.表示当前路径。-mindepth 1表示最小搜索深度为1,这样不会包括当前目录。-maxdepth 1表示最大搜索深度为1&#x…

『Python学习笔记』Python运行设置PYTHONPATH环境变量!

Python运行设置PYTHONPATH环境变量! 文章目录 一. Python运行设置PYTHONPATH环境变量!1. 解释2. 为什么有用3. 示例4. vscode配置 一. Python运行设置PYTHONPATH环境变量! export PYTHONPATH$(pwd) 是一个命令,用于将当前目录添…

举例C++程序在线程出错后重启线程

在C中&#xff0c;当一个线程出现错误时&#xff0c;可以通过捕获异常并重新启动线程来实现自动重启线程的功能。以下是一个简单的例子&#xff0c;展示了如何实现这一功能&#xff1a; #include <iostream> #include <thread> #include <exception> #inclu…

Java的数据类型(复习版)

思维导图 一.字面常量 什么是常量&#xff1f;在我的理解看来常量就是在一个程序运行期间&#xff0c;保持不变的量就是常量。 例如&#xff1a; System.out.println(100);System.out.println(a);System.out.println(3.114);这些都可以称为常量。 字面常量的分类&#xff1a;…

Swagger的原理及应用详解(七)

本系列文章简介&#xff1a; 在当今快速发展的软件开发领域&#xff0c;特别是随着微服务架构和前后端分离开发模式的普及&#xff0c;API&#xff08;Application Programming Interface&#xff0c;应用程序编程接口&#xff09;的设计与管理变得愈发重要。一个清晰、准确且易…

将 WSL(Windows Subsystem for Linux)移动到另一个盘上

方法一&#xff1a;通过 wsl --export 和 wsl --import 命令 导出当前的 WSL 分发版&#xff1a; 首先&#xff0c;您需要导出当前运行的 WSL 分发版。假设您的分发版名称为 Ubuntu-20.04&#xff0c;执行以下命令&#xff1a; wsl --export Ubuntu-20.04 D:\WSL\Ubuntu-20.04.…

护眼落地灯哪个牌子好?盘点五款必入不踩雷的护眼大路灯

护眼落地灯哪个牌子好&#xff1f;在这个快节奏的时代&#xff0c;护眼落地灯已经从一种高端选择转变为日常用眼生活中的必须品。不论是提升普通照明&#xff0c;还是针对孩子学习是改善光线质量环境&#xff0c;一款优秀的护眼落地灯都能成为我们生活中的照明神器。怎么选择一…

Java实现电子围栏的小例子

主要需求是实现一个电子围栏判断的小例子其中包括前端和后端的demo代码 引入对应的依赖库 <!--jts库通常用于几何计算和表示地理空间数据--> <dependency><groupId>org.locationtech.jts</groupId><artifactId>jts-core</artifactId><…

Python中定位一个序列中特点值出现的位置,比如 [0,0,0,1,1,0,0,]中1的位置

已知 Python中计算一个序列中特点值出现的数量&#xff0c;比如 [0,0,0,1,1,0,0,]中1的数量 如何定位位置呢 要找到列表 [0, 0, 0, 1, 1, 0, 0] 中 1 出现的位置&#xff08;索引&#xff09;&#xff0c;可以使用 Python 的列表推导式或者循环。以下是几种方法&#xff1a; …

在 VS Code 中自动化 Xcode 项目编译和调试

在 VS Code 中自动化 Xcode 项目编译和调试 在日常的开发工作中&#xff0c;Xcode 是 macOS、iOS、watchOS 和 tvOS 应用程序开发的主要工具。为了提高工作效率&#xff0c;许多开发者选择在 Visual Studio Code (VS Code) 中编辑代码&#xff0c;并希望能够直接从 VS Code 启…

无线传感器网络(物联网通信技术)期末考试2024年真题

目录 WSN期末复习资料 第一章&#xff1a;概述 第二章MAC协议 第三章路由协议 第四章时间同步技术 第五章定位技术 第六章安全技术 第七章拓扑控制 补充TPSN、HRTS公式推导 2024年期末考试考点 一、简述 二、考试真题回忆 WSN期末复习资料 第一章&#xff1a;概述 …

蓝桥杯开发板STM32G431RBT6高阶HAL库学习FreeRtos——新建工程

一、介绍 ​ 蓝桥杯嵌入式使用的单片机是STM32G431RBT6&#xff0c;内核ARM Cortex - M4&#xff0c;MCUFPU&#xff0c;170MHz/213DMIPS&#xff0c;高达128KB Flash&#xff0c;32KB SRAM&#xff0c;其余的外设就不多介绍了&#xff0c;参照数据芯片数据手册 ​ CT117E-M4…

JavaScript——while类型

目录 任务描述 相关知识 while类型 编程要求 任务描述 质数的定义如下&#xff1a;大于1的自然数&#xff0c;且除了1和本身外没有别的因数。如2、3、5、7。 本关任务&#xff1a;利用循环结构求质数的和。 相关知识 在选择结构中&#xff0c;条件会被测试一次&#xff…