YOLO 模型 runs 目录下 detect 任务结果文件的深度分析

训练完成后，会在runs文件夹下生成结果分析（前提是model.train()方法中的参数plots设为True，这样才会生成结果分析图标），如下实例是task为detect，mode为train的一次记录：

1.weight文件夹

里边存着训练时性能最好的一批权重，以及最后一个epoch后更新的权重

2.args.yaml

存着model.train(args)方法里的args，能查看自己训练时用的是什么参数，方便后续进行参数性能对比

3.confusion_matrix.png

混淆矩阵，记录了真实值与预测值的结果

方块呈正对角线时，表示每个类都能被正确分类，此时性能最好，如下：

4.confusion_matrix_normalized.png

归一化后的混淆矩阵，就是把方块里的值换成0~1范围了，更能体现比例的关系

5.F1_curve.png

记录了不同置信度下F1分数的高低，F1取值范围从 0.0 到 1.0 。F1 分数是精确率（Precision）和召回率（Recall）的调和平均数，用于综合评估模型的性能，值越高表示模型性能越好。
精确率$Precision=\frac{TP}{TP+FP}$
召回率$Recall=\frac{TP}{TP+FN}$
F1就是精确率与召回率的调和平均
$F1=2\ast \frac{Precison\ast Recall}{Precison+Recall}$即$F1=\frac{2\ast TP}{2\ast TP+FP+FN}$

6.labels.jpg

对给出的样本真实值label进行分析：

左上角柱状图

• 内容：展示了不同类别目标的实例数量 。横坐标类别包括“belt”（腰带）、“sunglasses”（太阳镜）、“boot”（靴子）、“cowboy_hat”（牛仔帽）、“jacket”（夹克） 。纵坐标为“instances”（实例数）。可以看出，“sunglasses”和“jacket”实例数较多，“belt”实例数极少。
• 作用：帮助了解数据集中各类别目标出现的频次差异，可用于分析样本均衡性，判断是否存在类别不平衡问题，影响模型训练和检测性能。

右上角边界框图

• 内容：一堆相互重叠的边界框，不同颜色（主要是蓝色系）代表不同的边界框 。这些边界框可能是对某一类或多类目标的预测框或标注框。
• 作用：直观呈现目标检测中边界框的分布、重叠情况等。通过观察边界框的聚集程度、重叠比例等，可评估模型对目标位置预测的准确性、目标密集区域的检测效果等。 $可以看出图片大物体多还是小物体多，以便找到侧重点$。

左下角散点图

• 内容：以坐标点展示目标位置信息，横坐标为“x”，纵坐标为“y” 。每个点代表一个目标实例，点的颜色深浅可能表示该位置目标出现的密度或频率。
• 作用：用于分析目标在图像平面上的分布规律，比如是否集中在某些特定区域，$有助于了解目标在场景中的常见出现位置$，辅助模型优化和数据增强策略制定。

右下角散点图

• 内容：展示目标边界框的宽高信息，横坐标为“width”（宽度），纵坐标为“height”（高度） 。点的分布反映不同目标边界框宽高的取值情况，颜色深浅可能代表宽高组合出现的频率。
• 作用：帮助了解数据集中目标尺寸的分布特征，指导模型在训练时对不同尺寸目标的处理策略，比如调整锚框尺寸设置等，提升对不同大小目标的检测性能。
  

7.labels_correlogram.jpg

标签相关性图，(x,y)为框的中心点坐标吧。
以点图(x,height)为例，他说明了中心点横坐标x取不同值时，此时标注框的height大小关系。
条状图x、条状图y联合表面物体主要聚集在图片中间。
右下角条状图height表明height偏向于较小值，再结合width条状图得知，真实框的大小偏向于小框，所以样本中小物体比重占的多，那么我就可以侧重于识别小物体。

8.P_curve.png

显而易见，这是准确率与置信度关系的曲线

9.PR_curve.png

准确率与召回率关系的曲线图（两者会有制约，只能折中）

10.R_curve.png

召回率与置信度之间的关系曲线

11.results.csv

存有各种对于模型的评估指标
epoch
time：经历完每个epoch时的时间
train/box_loss：训练时每个epoch的box_loss，衡量了预测框与真实框的吻合度
train/cls_loss：衡量了预测类与真实类的吻合度
train/dfl_loss：衡量了框的稳定程度，不然碰到模糊边界时，框容易大小乱动
metrics/precision(B)：B 类别的精确率，指预测为 B 类的结果中真正属于 B 类的比例，衡量分类的准确性
metrics/recall(B)
metrics/mAP50(B)：B 类别的平均精度均值（IoU 阈值为 0.5 时 ），综合评估模型对 B 类目标的检测性能，考量不同召回率下的精确率。

metrics/mAP50-95(B)：B 类综合检测性能指标，考量多 IoU 阈值下检测效果。
val/box_loss
val/cls_loss
val/dfl_loss
lr/pg0：通常指的是骨干网络权重的学习率。
lr/pg1：一般与 YOLO 层权重的学习率相关。
lr/pg2：常表示其他额外参数（如偏置项）的学习率。

12.results.png

对上面的results.csv里边某些评估指标的绘图

13.train_batch(i).jpg
我的理解是训练时第i个epoch中第一个批量的检测结果，当我batch_size=16时，下边的图片刚好囊括了16个小图片

14.val_batch(i)_labels.jpg

我的理解是验证时第i个epoch中第一个批量的实际类别结果

15.val_batch(i)_pred.jpg

与上面的val_batch(i)_labels.jpg对应，这里的是预测结果