保洁网站模板,wordpress 查询文章,静态网站模板源码下载,网站开发大作业《博主简介》 小伙伴们好#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】#xff0c;共同学习交流~ #x1f44d;感谢小伙伴们点赞、关注#xff01; 《------往期经典推…《博主简介》 小伙伴们好我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源可关注公-仲-hao:【阿旭算法与机器学习】共同学习交流~ 感谢小伙伴们点赞、关注 《------往期经典推荐------》 一、AI应用软件开发实战专栏【链接】 项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】 二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~ 三、深度学习【Pytorch】专栏【链接】 四、【Stable Diffusion绘画系列】专栏【链接】 五、YOLOv8改进专栏【链接】持续更新中~~ 六、YOLO性能对比专栏【链接】持续更新中~ 《------正文------》 前言 最近很多粉丝问我自己已经训练好了一个YOLO模型如何对使用验证集对这个训练好的模型进行结果评估呢 本文将以YOLOv8的目标检测为例详细介绍如何使用其对验证集进行评估以判断模型的好坏并对各个参数进行详细说明同时我们也可以用改进后的模型对验证集进行评估以对比改进后模型的性能改变以及提升的大小。 希望对大家有所帮助如果有什么其他相关问题欢迎评论留言问的多的话我就写篇文章统一解答。 1.对验证集进行评估 具体评估代码如下 #coding: utf-8 from ultralytics import YOLO import matplotlib matplotlib.use( TkAgg)if __name__ __main__:#加载训练好的模型model YOLO(models/best.pt)# 对验证集进行评估metrics model.val(data datasets/SteelData/data.yaml)其中models/best.pt是已经训练好的yolov8模型文件datasets/SteelData/data.yaml是模型训练时使用的数据集配置文件。 运行完成后打印的信息如下 表格参数说明 class代表模型检测的类别名称 Images:代表验证集图片总数 Instances:代表每个类别目标所标注的总数 P:代表精确率PrecisionTP / (TPFP), 在预测是Positive所有结果中预测正确的比重 R:召回率recallTP / (TPFN), 在真实值为Positive的所有结果中预测正确的比重 mAP50:表示IOU阈值大于0.5的平均精确度Mean Average Precision, mAP mAP50-95:表示在不同IoU阈值从0.5到0.95步长0.050.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95上的平均mAP 其中第一行all对应的参数P、R、mAP59、mAP50-95表示所有类别对应参数的平均值。其他行的数值为具体类别所对应的评估参数。 运行上述代码后同时也会在训练结果目录下生成val目录 val里面的具体内容文件如下 2.评估结果说明 confusion_matrix_normalized.png和confusion_matrix.png confusion_matrix_normalized.png和confusion_matrix.png表示各个类别对应的混淆矩阵其中confusion_matrix_normalized.png表示归一化后的混淆矩阵confusion_matrix.png表示各类别数值对应的混淆矩阵。 行是预测类别y轴列是真实类别x轴 混淆矩阵以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其中矩阵的行表示真实值矩阵的列表示预测值。 TPTrue Positive: 将正类预测为正类数 即正确预测真实为0预测也为0 FN False Negative将正类预测为负类 即错误预测真实为0预测为1 FPFalse Positive将负类预测为正类数 即错误预测 真实为1预测为0 TN True Negative将负类预测为负类数即正确预测真实为1预测也为1 混淆矩阵是对分类问题预测结果的总结。使用计数值汇总正确和不正确预测的数量并按每个类进行细分显示了分类模型进行预测时会对哪一部分产生混淆。通过这个矩阵可以方便地看出机器是否将两个不同的类混淆了把一个类错认成了另一个。 P_curve.png准确率曲线 表示准确率precision和置信度confidence的关系图其中细线代表每个类别的精度曲线粗线代表所有类别平均精度曲线。当判定概率超过置信度阈值时各个类别识别的准确率。当置信度越大时类别检测越准确但是这样就有可能漏掉一些判定概率较低的真实样本。 意思就是当我设置置信度为某一数值的时候各个类别识别的准确率。可以看到当置信度越大的时候类别检测的越准确。这也很好理解只有confidence很大才被判断是某一类别。但也很好想到这样的话会漏检一些置信度低的类别。 R_curve.png召回率曲线 表示召回率recall和置信度confidence之间的关系其中细线代表每个类别的召回率曲线粗线代表所有类别平均召回率曲线。 recall召回率表示真实为positive的准确率即正样本有多少被找出来了召回了多少。 当置信度越小的时候类别检测的越全面不容易被漏掉但容易误判。 PR_curve.pngPR曲线 PR曲线表示体现精确率和召回率的关系,其中细线代表每个类别的PR曲线粗线代表所有类别平均PR曲线。 P代表的是precision精准率R代表的是recall召回率。一般情况下将recall设置为横坐标precision设置为纵坐标。PR曲线下围成的面积即AP所有类别AP平均值即mAP.因此我们希望在准确率很高的前提下尽可能的检测到全部的类别。因此希望我们的曲线接近(1,1)即希望PR曲线的面积尽可能接近1。 如果PR图的其中的一个曲线A完全包住另一个学习器的曲线B则可断言A的性能优于B当A和B发生交叉时可以根据曲线下方的面积大小来进行比较。一般训练结果主要观察精度和召回率波动情况波动不是很大则训练效果较好 Precision和Recall往往是一对矛盾的性能度量指标及一个的值越高另一个就低一点。 F1_curve.pngF1曲线 表示是置信度confidence与F1之间的关系曲线。一般来说置信度阈值该样本被判定为某一类的概率阈值较低的时候很多置信度低的样本被认为是真召回率高精确率低置信度阈值较高的时候置信度高的样本才能被认为是真类别检测的越准确即精准率较大只有confidence很大才被判断是某一类别所以前后两头的F1分数比较少。 F1参数是精确率P和召回率R的调和平均数。一些多分类问题的竞赛常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数最大为1其中1是最好0是最差。 val_batch0_labels与val_batch0_pred val_batch0_labels.png表示验证集真实的标签情况示例。 val_batch0_pred.png表示模型预测出的标签图片。可以对比查看模型预测情况。 其他 有时在使用自己的算法对数据集的精度进行提高时发现mAP50的值已高达90以上那对我们来说改进是很难的就需要提高mAP75或mAP95的值来验证算法的有效性。下面介绍如何直接得到mAP75或mAP95的具体数值 mAP的计算基于不同的IoU交并比阈值。常见的阈值包括0.5、0.75和0.9等。mAP50指的是使用IoU阈值为0.5时的mAP它主要衡量了模型对目标的边界定位准确性。而mAP75和mAP90则使用更严格的IoU阈值分别为0.75和0.9。 可以通过metrics model.val(data datasets/SteelData/data.yaml)得到的结果查看不同mAP的具体值代码如下 好了这篇文章就介绍到这里喜欢的小伙伴感谢给点个赞和关注更多精彩内容持续更新~~ 关于本篇文章大家有任何建议或意见欢迎在评论区留言交流