【YOLOv5实战4】基于YOLOv5的交通标志识别系统-模型测试与评估

实战博客指引：

1. 实战环境搭建
2. 自定义数据集
3. 模型训练
4. 模型测试与评估
5. YOLOv5整合PyQt5

项目源代码可联系博主获取。

一、参数说明

在上一个步骤中，我们进行了模型的训练，训练时的截图如下：

在这里解释一下各个字段的含义：

• Epoch: num0/num1，num0表示当前的轮数，num1表示一共多少轮。图中为0/19，表示共20轮，当前为第0轮。
• gpu_mem: GPU内存的使用量。
• 中间几个将在训练的结果中进行解释。
• 最右边的几个数字表示当前训练状态。8/57表示本次epoch需要进行57次迭代，当前迭代次数为8。
• 00:11<01:09，表示本次epoch已运行了11s，预计还需运行1m9s。1.43s/it表示每次迭代大概需要1.43s。(可以简单计算一下，1.43*57=81.51≈1m9s+11s=80s)。借助这几个参数可以判断你每次的epoch大概需要执行多久，然后再乘上你的epoch，就能大致推断训练的时间大概是多长。

二、结果评估

在训练完成后，会在你相应的结果目录下(runs/train/expi,i为你第几次训练的数字)下。比如本人之前进行了三次训练用于测试是否有问题，而没有删除相关文件，然后在第四次完整地训练，因此结果保存在exp3下，如图：

weights/目录保存了你的训练过程中效果最好的一次以及最后一次训练的模型。
exp3/包含了许多文件和图片，这里重点介绍一下result.png，简要介绍一下其他文件：

2.1 results.png

results.png如下：

• Box: YO