YOLOv5-P6

最新推荐文章于 2024-02-22 14:07:32 发布
原创 最新推荐文章于 2024-02-22 14:07:32 发布 · 2.4k 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #深度学习 #机器学习 #人工智能 #算法

本文介绍了YOLOv5训练中遇到的assertionError，强调了配置文件中类数与类名的一致性。讨论了results.txt的各列含义，特别是与损失函数和性能指标相关的部分。深入探讨了mAP@0.5的计算方法，包括查准率和查全率的概念，并解释了PR曲线的含义。

系列文章

 

训练报错

assertionError: 1 names found for nc=15 dataset in .yaml

训练的时候注意配置文件中的类数和类名的数量要对应，不然会报assertionError

AssertionError: Label class 15 exceeds nc=1 in data/coco128.yaml. Possible class labels are 0-0

标签.txt文件标注从'0'开始

Results.txt

results.txt里后面，yolov5生成的结果数据有数据没属性，最后几列是何一直不确定，github上也没有解释，改了results.txt的数据，画图做了个小实验才确定下来。

>>> from utils.plots import plot_results
>>> plot_results(save_dir="./yolov5-develop/train/exp/')
#自动读取路径下的results.txt文件，并生成results.png
  1. epoch
  2. gpu_mem
  3. box: 推测为GIoU损失函数均值，越小方框越准；
  4. obj: 推测为目标检测loss均值，越小目标检测越准
  5. classification: 推测为分类loss均值，越小分类越准；
  6. total
  7. lab
最低0.47元/天 解锁文章
精选资源
基于YOLOV8-pose的姿态关键点检测项目，带数据集，可直接跑通源码
08-01
YOLOV8-pose是YOLO系列的最新版本之一，特别针对人体姿态关键点检测进行了优化。 在基于YOLOV8-pose的姿态关键点检测项目中，重点在于利用神经网络模型来识别图像中人体的关键部位，如头部、肩部、肘部、手腕、髋部...
yolov5 结果 results.txt 可视化
G果的博客
12-12 1万+
写在前面的话 虽然也有yolov5官方代码也有相关的可视化代码，但是本文是基于 results.txt 的可视化，有一点的参考意义 results.txt 的可视化 import matplotlib.pyplot as plt import numpy as np column=['epoch','train_GIOU_loss','train_obj_loss','train_cls_loss','total','target','img_size','precision','recall','MAP
（笔记）yolov5 可视化训练结果以及result.txt解析
weixin_54603153的博客
08-18 2万+
1|0✨yolov5训练结果生成 yolov5每次train完成（如果没有中途退出） 都会在run目录下生成expX目录（X代表生成结果次数 第一次训练完成生成exp0 第二次生成exp1......以此类推） expX目录下会保存训练生成weights以及result.txt （其中weights是训练生成权重，可用于detect） 并以可视化的方式展示训练结果 -> result.png 2|0✨可视化训练结果解析 GIoU：推测为GIoU损失函数均值，越小方框越..
深度学习评估指标之目标检测——（yolov5 可视化训练结果以及result.txt解析）
qq_41627642的博客
10-10 2万+
无
YOLOv5 result.txt 数据提取及可视化
weixin_53001080的博客
05-14 3273
YOLOv5训练后的result.txt 文件，如下图所示。可使用如下代码将其提取出来，并做成折线图。倒数第7列至倒数第4列是每次迭代后相应的。
关于YOLOv5训练结果results.txt绘制对比图
qq_44133071的博客
02-22 1813
【代码】关于YOLOv5训练结果绘图。
精选资源
yolov5-yolov11
10-04
YOLOv5与YOLOv11是计算机视觉领域中两大知名的实时目标检测算法。YOLO（You Only Look Once）算法以其快速准确的特性，在多个应用场景中得到了广泛应用，尤其是在需要实时处理的场合，例如自动驾驶、视频监控等。...
Windows搭建YOLOv5-P6 models
qq_41627642的博客
02-12 2549
一、YOLOV5官方发布版本 二、安装python环境库 1、新建虚拟环境 conda create -n yolov5 python=3.8 2、定位到代码目录下安装环境库 设置镜像加速 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anac
【目标检测-YOLO】YOLOv5-6.0-P6 1280 Models(第三篇)
博观约取，厚积薄发
03-31 8385
5.0 版本发布了 YOLOv5-P6 模型。 This release implements YOLOv5-P6 models and retrained YOLOv5-P5 models. All model sizes YOLOv5s/m/l/x are now available in both P5 and P6 architectures: YOLOv5-P6models:4 output layersP3, P4, P5, P6 at strides 8, 16, 32, 64 tr...
yolov5-P6改进
最新发布
01-03
### YOLOv5-P6 的改进方法与最新进展 #### 高效主干网的设计 YOLO系列模型不断演进的过程中，骨干网络的效率提升是一个重要方向。对于YOLOv5-P6来说，通过引入更高效的模块来替代原有的结构可以显著提高性能。例如...
Android常见颜色代码的xml资源文件
ALDRIDGE1的专栏
11-01 1551
在Android开发中，有时候我们在layout文件里需要给控件设置一些常见的颜色，每个颜色都去写十六进制值显然很烦，我们大可以把常见的颜色的十六进制值写成一个xml资源文件，命名为colors.xml, 每次新建项目时，将其添加到res/values文件夹下，每次使用的时候只需这样写 andorid:background="@color/blue"，这样更方便些。 附 colors.xml
YOLO5可视化结果及result.txt解析
qq_45690024的博客
07-13 3467
转载自：YOLO5可视化结果及result.txt解析
YOLOV5训练自己的数据集（超详细，小白必看）
m0_64524798的博客
02-13 2万+
教你最方便的了解如何使用yolov5训练自己的数据集（最全面，最简单易懂）
跑yolov7出现如下问题
sdklyj的博客
02-06 868
yolov 目标检测 pytorch
YOLOV7改进-添加P2和P6检测层(以YOLOV7-Tiny为例)
毕竟是Shy哥
09-08 1655
下载三个配置文件。
YOLOv5训练结果性能分析
tt丫的博客
01-31 4万+
目录 一、confusion_matrix.png —— 混淆矩阵 二、F1_curve.png —— F1曲线 三、labels.jpg ——标签 四、labels_correlogram.jpg —— 体现中心点横纵坐标以及框的高宽间的关系 五、P_curve.png ——单一类准确率 六、R_curve.png —— 单一类召回率 七、PR_curve.png ——精确率和召回率的关系图 八、result.png —— 结果loss functions 一、confusion_
yolov5 训练结果解析
m0_54111890的博客
03-08 3万+
yolov5 训练结果解析 在每次训练之后，都会在runs-train文件夹下出现一下文件，如下图： 一：weights 包含best.pt（做detect时用这个）和last.pt（最后一次训练模型） 二：confusion 1：混淆矩阵： ①：混淆矩阵是对分类问题的预测结果的总结。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，这是混淆矩阵的关键所在。混淆矩阵显示了分类模型的在进行预测时会对哪一部分产生混淆。它不仅可以让我们了解分类模型所犯的错误，更重要的是可以了解哪些错.
mAP@0.5与mAP@0.5:0.95的含义
frighting_ing的博客
11-07 4万+
mAP@0.5: mean Average Precision（IoU=0.5） 即将IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP。 mAP@.5:.95（mAP@[.5:.95]） 表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。 那AP是什么呢，Average Precision，是单个类别平均精确度，而mAP是所有类别的平均精确度 AP是Precision
yolov5训练相关参数解释
热门推荐
weixin_41990671的博客
07-13 6万+
菜是原罪，能学就学。 首先看有没有官方解释 查看https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data，里面有这样一句话。 For training command outputs and further details please see the training section of Google Colab Notebook. 打开这个notebook（需要点手段，你们懂的） ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值